Hoal Carlos, muchas gracias por compartir tu experiencia.
Slds, Eric. On Wed, 19 May 2021 12:01:29 +0200 Carlos Ortega <c...@qualityexcellence.es> wrote: > Hola Eric, > > La función "pool()" es una modificación de las funciones "tidy()" y > "glance()" del paquete "broom" y permite extraer y presentar de forma > muy amigable resultados de un modelo. > El paquete "broom" incluye la posibilidad de extraer parámetros, > coeficientes, valores de bondad de ajuste, etc de múltiples modelos > de R. El paquete "mice" lo que hace es utilizar esta función para > presentarte resultados del modelo ajustado de forma muy equivalente a > lo que hacen las funciones de "broom". > > En tu caso, simplemente imputa tus NAs con los paquetes "missForest" > (te recomiendo muy especialmente otra alternativa con "missRanger") o > cualquier otro, y sobre el conjunto imputado tendrás que definir un > modelo ("lm", "glm"... lo que consideres) y sobre el modelo ajustado > usa la función "tidy()" o "glance(), tendrás que haber incluido la > librería "broom" previamente. Y tendrás tus resultados como en "mice". > > Mira el ejemplo de la salida que producen las funciones "tidy()" y > "glance()" del paquete "broom" para que veas que el resultado es > equivalente al que produce "pool()" > > > library(ggplot2) > > library(dplyr) > > > > mod <- lm(mpg ~ wt + qsec, data = mtcars) > > > > tidy(mod) > # A tibble: 3 x 5 > term estimate std.error statistic p.value > <chr> <dbl> <dbl> <dbl> <dbl> > 1 (Intercept) 19.7 5.25 3.76 7.65e- 4 > 2 wt -5.05 0.484 -10.4 2.52e-11 > 3 qsec 0.929 0.265 3.51 1.50e- 3 > > glance(mod) > # A tibble: 1 x 12 > r.squared adj.r.squared sigma statistic p.value df logLik AIC > BIC deviance df.residual nobs > <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> > <dbl> <dbl> <int> <int> > 1 0.826 0.814 2.60 69.0 9.39e-12 2 -74.4 157. > 163. 195. 29 32 > > > > > Saludos, > Carlos Ortega > www.qualityexcellence.es > > > > El mié, 19 may 2021 a las 4:40, Eric Concha M. > (<ericconchamu...@gmail.com>) escribió: > > > > > Hola chicos, una pregunta por favor, quizá alguien sabe ... tengo un > > set de datos con missings y no lo puedo imputar con MICE, pero sí > > con missForest. Mi problema es que MICE hace todo el trabajo de > > calcular los parámetros del modelo de interés bajo el set de datos > > imputados, las nuevas varianza, grados de libertad y así, con la > > función pool() se obtienen esa información. > > > > Mi pregunta es: hay algo parecido a pool() de MICE para alguno de > > los algoritmos que usan random forest como missforest o > > missCompare, por ejemplo ? missforest hace un gran trabajo > > obteniendo los datos faltantes, pero de lo que leí desde su viñeta, > > no va más allá ... llevo buscando desde ayer, pero me ha ido mal. > > > > No quiero hacer el trabajo a mano pues me va a llevar mucho tiempo, > > nosoy muy experto y tengo una alta probabilidad de equivocarme. > > > > Espero haber explicado bien mi necesidad. > > > > Saludos y gracias !! > > > > Eric. > > > > _______________________________________________ > > R-help-es mailing list > > R-help-es@r-project.org > > https://stat.ethz.ch/mailman/listinfo/r-help-es > > > > _______________________________________________ R-help-es mailing list R-help-es@r-project.org https://stat.ethz.ch/mailman/listinfo/r-help-es