R语言用多重插补法估算相对风险

Posted 2021-04-18 拓端数据部落

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了R语言用多重插补法估算相对风险相关的知识，希望对你有一定的参考价值。

原文链接：http://tecdat.cn/?p=6379

在这里，我将用R中的一个小模拟示例进行说明。首先，我们使用X1和X2双变量法线和Y模拟大型数据集，其中Y遵循给定X1和X2的逻辑模型。

首先，我们模拟一个非常大的完整数据集：

#simulate完整数据
expit < - function（x）{ EXP（X）/（1 + EXP（X））}
n < - 100000x < - mvrnorm（n，mu = c（0,0），Sigma =（c（1,0.2,0.2,1），nrow = 2））x1 < - x [，1]x2 < - x [，2]y < - 1 *（runif（n）<expit（-3 + log（3）* x1 + log（3）* x2））（Y）[1] 0.11052

接下来，我们估计将X1从1更改为0的影响的边际风险比：

#estimate x1 = 1 vs x1 = 0的边际风险比，标准化为完整数据＃以后用于MI，我们将编写一个获取数据集并返回此估计值的函数marginalRiskRatio < - function（inputData）{ ymod < - glm（y~x1 + x2，family =“binomial”，data = inputData） #predict风险在x1 = 0下 x1 = 1下的#predict risk risk1 < - expit（coef（ymod）[1] + coef（ymod）[2] * 1 + （ymod）[3] * inputData $ x2） #estimate边际风险比率 （risk1）/（risk0）}
fullData < - data.frame（y = y，x1 = x1，x2 = x2）marginalRiskRatio（fullData）[1] 2.295438

接下来，我们使用Sullivan 等人考虑的一种机制，在Y和X2中缺少一些值：

根据Sullivan等人的说法，#make缺少一些数据

z1 < - x1 / 0.2 ^ 0.5r_y < - 1 *（runif（n）<expit（2.5 + 2 * z1））r_x2 < - 1 *（runif（n）<expit（2.5 + 2 * z1））obsData < - fullDataobsData $ y [r_y == 0] < - NAobsData $ x2 [r_x2 == 0] < - NA

现在我们可以在Y和X2中估算缺失的值。指定逻辑结果模型的缺失结果以及来自与逻辑结果模型兼容的插补模型的缺失协变量值：

numImps < - 10imps < - （obsData，smtype =“logistic”，smformula =“y~x1 + x2”，  method = c（“”，“”，“norm”），m = numImps）[1] "Outcome variable(s): y"[1] "Passive variables: "[1] "Partially obs. variables: x2"[1] "Fully obs. substantive model variables: x1"[1] "Imputation 1"[1] "Imputing missing outcomes using specified substantive model."[1] "Imputing: x2 using x1 plus outcome"[1] "Imputation 2"[1] "Imputation 3"[1] "Imputation 4"[1] "Imputation 5"[1] "Imputation 6"[1] "Imputation 7"[1] "Imputation 8"[1] "Imputation 9"[1] "Imputation 10"Warning message:In smcfcs.core(originaldata, smtype, smformula, method, predictorMatrix, : Rejection sampling failed 7 times (across all variables, iterations, and imputations). You may want to increase the rejection sampling limit.

最后，我们可以应用我们之前定义的函数来估算每个估算数据集的边际风险比，并使用鲁宾规则（即采用对数风险比的平均值）将它们结合起来：

estLogRR <- array(0, dim=numImps)for (i in 1:numImps) { [i] <- log(marginalRiskRatio(imps$impDatasets[[i]]))}#pooled estimate of log risk ratio ismean(estLogRR)[1] 0.8325685#and estimate of risk ratioexp(mean(estLogRR))[1] 2.299217