Aus irgendeinem Grund sagt R fehlende Werte der Daten nicht voraus, wenn ich glms spezifiziere (und es stellt sich heraus, dass es auch lms gibt). Hier ist ein Beispiel:

y = round(runif(50))
y = c(y,rep(NA,50))
x = rnorm(100)
m = glm(y~x, family=binomial(link="logit"))
p = predict(m,na.action=na.pass)
length(p)

y = round(runif(50))
y = c(y,rep(NA,50))
x = rnorm(100)
m = lm(y~x)
p = predict(m)
length(p)

Die Länge von p sollte 100 sein, aber 50. Das Seltsame ist, dass ich andere Vorhersagen im selben Skript habe, die aus fehlenden Daten vorhersagen.

EDIT: Es stellt sich heraus, dass diese anderen Vorhersagen ganz falsch waren - ich tat esimputed.value = rnorm(N,mean.from.predict,var.of.prediction.interval). Dieserecycelt Die Mittelwert- und SD-Vektoren aus der lm-Vorhersage oder der glm-Vorhersage funktionieren, wennlength(predict)<N, das war ganz anders als das, was ich suchte.

Also meine Frage istWas ist mit meinem Beispielcode, der verhindert, dass glm und lm fehlende Werte vorhersagen?

Vielen Dank!