Z jakiegoś powodu, kiedy określam glms (a także, jak się okazuje, lm), R nie przewiduje brakujących wartości danych. Oto przykład:

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)

Długość p powinna wynosić 100, ale jej 50. Dziwne jest to, że w tym samym skrypcie mam inne przewidywania, które przewidują brakujące dane.

EDIT: Okazuje się, że te inne przewidywania były całkiem błędne - robiłemimputed.value = rnorm(N,mean.from.predict,var.of.prediction.interval). Topoddany recyklingowi średnie i wektory sd z funkcji przewidywania lub przewidywania glm, kiedylength(predict)<N, co było zupełnie inne niż to, czego szukałem.

Więc moje pytanie jestco z moim kodem przykładowym powstrzymuje glm i lm od przewidywania brakujących wartości?

Dzięki!