Logiką wielokrotnej imputacji (MI) jest przypisywanie brakujących wartości nie jeden raz, ale kilka razy (zwykle M = 5) razy, co skutkuje M zakończonymi zestawami danych. M zakończonych zestawów danych jest następnie analizowanych metodami kompletnych danych, na podstawie których szacunki M i ich błędy standardowe są łączone przy użyciu wzorów Rubina w celu uzyskania „ogólnego” oszacowania i jego błędu standardowego.
Jak dotąd świetnie, ale nie jestem pewien, jak zastosować ten przepis, jeśli chodzi o komponenty wariancji modelu z efektami mieszanymi. Rozkład próbkowania składnika wariancji jest asymetryczny - dlatego odpowiedniego przedziału ufności nie można podać w typowej postaci „szacunek ± 1,96 * se (szacunek)”. Z tego powodu pakiety R lme4 i nlme nawet nie dostarczają standardowych błędów składników wariancji, a jedynie przedziały ufności.
Możemy zatem wykonać MI dla zestawu danych, a następnie uzyskać M przedziałów ufności dla komponentu wariancji po dopasowaniu tego samego modelu efektu mieszanego w M ukończonych zestawach danych. Pytanie brzmi, jak połączyć te przedziały M w jeden „ogólny” przedział ufności.
Wydaje mi się, że powinno to być możliwe - wydaje się, że autorzy artykułu (Yucel i Demirtas (2010) Wpływ nietypowych losowych efektów na wnioskowanie przez MI), ale nie wyjaśniają dokładnie, jak to zrobić.
Wszelkie wskazówki byłyby bardzo zobowiązane!
Pozdrawiam, Rok