La logica dell'imputazione multipla (MI) è quella di imputare i valori mancanti non una volta ma diverse (in genere M = 5) volte, risultando in M set di dati completati. I set di dati completati M vengono quindi analizzati con metodi di dati completi su cui le stime M e i loro errori standard vengono combinati utilizzando le formule di Rubin per ottenere la stima "complessiva" e il suo errore standard.
Ottimo finora, ma non sono sicuro di come applicare questa ricetta quando si tratta di componenti di varianza di un modello a effetti misti. La distribuzione campionaria di un componente di varianza è asimmetrica, pertanto l'intervallo di confidenza corrispondente non può essere fornito nel tipico formato "stima ± 1,96 * se (stima)". Per questo motivo i pacchetti R lme4 e nlme non forniscono nemmeno gli errori standard dei componenti di varianza, ma forniscono solo intervalli di confidenza.
Possiamo quindi eseguire MI su un set di dati e quindi ottenere intervalli di confidenza M per componente di varianza dopo aver inserito lo stesso modello a effetto misto sui set di dati M completati. La domanda è come combinare questi intervalli M in un intervallo di confidenza "complessivo".
Immagino che ciò dovrebbe essere possibile - gli autori di un articolo (yucel & demirtas (2010) Impatto di effetti casuali non normali sull'inferenza da parte di MI) sembrano averlo fatto, ma non spiegano esattamente come.
Eventuali suggerimenti sarebbero molto obbligati!
Saluti, Rok