R语言用多重插补法估算相对风险

#simulate完整数据

expit < -  function（x）{
  EXP（X）/（1 + EXP（X））
}

n < -  100000
x < -  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

#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

根据Sullivan等人的说法，#make缺少一些数据

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

numImps < -  10
imps < -  （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.

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