在R语言中进行缺失值填充：估算缺失值

 介绍

缺失值被认为是预测建模的首要障碍。因此，掌握克服这些问题的方法很重要。最近我们被客户要求撰写关于缺失值处理的研究报告，包括一些图形和统计输出。

估算缺失值的方法的选择在很大程度上影响了模型的预测能力。在大多数统计分析方法中，删除是用于处理缺失值的默认方法。但是，它会导致信息丢失。

在本文中，我列出了5个R语言方法。

链式方程进行的多元插补

通过链式方程进行的多元插补是R用户常用的。与单个插补（例如均值）相比，创建多个插补可解决缺失值的不确定性。

MICE假定缺失数据是随机（MAR）缺失，这意味着，一个值缺失概率上观测值仅取决于并且可以使用它们来预测。通过为每个变量指定插补模型，可以按变量插补数据。

例如：假设我们有X1，X2….Xk变量。如果X1缺少值，那么它将在其他变量X2到Xk上回归。然后，将X1中的缺失值替换为获得的预测值。同样，如果X2缺少值，则X1，X3至Xk变量将在预测模型中用作自变量。稍后，缺失值将被替换为预测值。

默认情况下，线性回归用于预测连续缺失值。Logistic回归用于分类缺失值。一旦完成此循环，就会生成多个数据集。这些数据集仅在估算的缺失值上有所不同。通常，将这些数据集分别构建模型并组合其结果被认为是一个好习惯。

确切地说，使用的方法是：

1. PMM（预测均值匹配）–用于数字变量
2. logreg（逻辑回归）–对于二进制变量（具有2个级别）
3. polyreg（贝叶斯多元回归）–用于因子变量（> = 2级）
4. 比例模型（有序，> = 2个级别）

现在让我们实际操作。

> path <- "../Data/Tutorial"
> setwd(path)
 
#读取数据
> data <- iris
 
#随机产生10％的缺失值
> summary(iris)
 
#随机产生10％的缺失值
> iris.mis <- prodNA(iris, noNA = 0.1)
 
#检查数据中引入的缺失值
> summary(iris.mis)

我删除了分类变量。让我们在这里关注连续值。要处理分类变量，只需对