r - 当您缺少数据时，如何在模型中使用 `predict()` 而不会出错？

Question

我有一个非常简单的逻辑回归模型，它完全基于 Race 中的两个分类预测变量。和 Sex .首先，由于我有一些缺失值，以确保所有缺失的数据都以 NA 的形式出现。 ，我使用以下方法导入数据框:

> mydata <- read.csv("~/Desktop/R/mydata.csv", sep=",", strip.white = TRUE,
+                    na.strings= c("999", "NA", " ", ""))

下面是预测变量的摘要，看看有多少 NA有:

> # Define variables 
> 
> Y <- cbind(Support)
> X <- cbind(Race, Sex)
>
> summary(X) 
      Race               Sex          
 Min.   :1.000000   Min.   :1.000000  
 1st Qu.:1.000000   1st Qu.:1.000000  
 Median :2.000000   Median :1.000000  
 Mean   :1.608696   Mean   :1.318245  
 3rd Qu.:2.000000   3rd Qu.:2.000000  
 Max.   :3.000000   Max.   :3.000000  
 NA's   :420        NA's   :42 

由于缺少值，该模型似乎可以正常工作:

> # Logit model coefficients 
> 
> logit <- glm(Y ~ X, family=binomial (link = "logit")) 
> 
> summary(logit) 

Call:
glm(formula = Y ~ X, family = binomial(link = "logit"))

Deviance Residuals: 
       Min          1Q      Median          3Q         Max  
-2.0826825  -1.0911146   0.6473451   1.0190080   1.7457212  

Coefficients:
              Estimate Std. Error  z value   Pr(>|z|)    
(Intercept)  1.3457629  0.2884629  4.66529 3.0818e-06 ***
XRace       -1.0716191  0.1339177 -8.00207 1.2235e-15 ***
XSex         0.5910812  0.1420270  4.16175 3.1581e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 1434.5361  on 1057  degrees of freedom
Residual deviance: 1347.5684  on 1055  degrees of freedom
  (420 observations deleted due to missingness)
AIC: 1353.5684

Number of Fisher Scoring iterations: 4

问题一:当我没有 NA s，这段代码似乎运行良好。但是每当缺少值时，我都会收到一条错误消息。有没有办法仍然看到我有多少正确预测的值，无论是否丢失数据？

> table(true = Y, pred = round(fitted(logit))) 
Error in table(true = Y, pred = round(fitted(logit))) : 
all arguments must have the same length

编辑:添加后 na.action = na.exclude对于模型定义，该表现在可以完美运行:

        pred 

true   0    1

  0   259  178 

  1   208  413

无论丢失的数据如何，仍然有效的方法是在我使用此代码时将预测加载到原始数据框中。它在数据帧的末尾正确添加了一个“pred”列，每行的概率(如果预测变量之一不存在，则简单地添加 NA):

> predictions = cbind(mydata, pred = predict(logit, newdata = mydata, type = "response"))
> write.csv(predictions, "~/Desktop/R/predictions.csv", row.names = F)

问题2:然而，当我尝试预测一个新的数据框时——即使它具有相同的感兴趣的变量——似乎缺失值的某些东西也会导致错误消息。有没有代码可以解决这个问题，还是我做错了什么？

> newpredictions = cbind(newdata, pred = predict(logit, newdata = newdata, type = "response"))
Error in data.frame(..., check.names = FALSE) : 
  arguments imply differing number of rows: 1475, 1478
In addition: Warning message:
'newdata' had 1475 rows but variables found have 1478 rows 

如上所示， mydata 中的行数是 1,478 并且 newdata 中的行数是 1,475。

谢谢您的帮助!

Answer 1

如果您有缺失数据，NA s, R 将在建模函数执行时删除这些 formula -> model.frame -> model.matrix()等等，因为所有这些函数的默认值是 na.action = na.omit .换句话说，带有 NA 的行在执行实际计算之前删除 s。此删除传播到从模型对象访问的拟合值、残差等

意识到这是一个问题，R 还有其他 na.action功能，包括 na.exclude() .因此，如果你添加

na.action = na.exclude

调用 glm() , fitted() , resid()等将返回与放置数据中的行一样多的拟合值。

您似乎确实在以一种特殊的方式进行建模。你为什么要创建 X和 Y ，大概来自您的 mydata目的？这将是 远最好做

mod <- glm(Support ~ Race + Sex, data = mydata family = binomial,
           na.action = na.exclude)

现在在哪里而不是匿名 X和 Y我们有一些有意义的变量，您不必创建重复的数据。