在比较拟合模型时，如何使用 (pool.compare) 函数解决“已弃用”警告？

Question

我有两个模型，我在估算数据集上运行它们以生成汇总估计值。我的理解是，因为这两个模型都运行在数百个估算数据帧中，所以我必须将所有回归模型估计值汇集或基本上“平均”成一个“整体”估计值。以下是我执行的步骤：

#1 IMPUTE MASTER DATASET
     imputed_data <- mice(master, m=20, maxit=50, seed=5798713)

#2 RUN LINEAR MODEL 
     model.linear <- with(imputed_data, lm(outcome~exposure+age+gender+weight))
     summary(pool(model.linear))

#3 RUN NON-LINEAR RESTRICTED CUBIC SPLINE (3-KNOT) MODEL
     model.rcs <- with(imputed_data, lm(outcome~rcs(exposure,3)+age+gender+weight))
     summary(pool(model.rcs))

#4 COMPARE BOTH MODELS USING POOL.COMPARE FUNCTION
     pool.compare(model.rcs, model.linear)

当我使用“summary(pool(..)”函数时，线性和 RCS 模型都会产生“合并”估计值、95% CI 和 p 值。但是，问题是当我运行“pool.比较”函数，我得到一个错误，指出：

Error: Model 'fit0' not contained in 'fit1'
In addition: Warning message:
'pool.compare' is deprecated.
Use 'D1' instead.
See help("Deprecated") 

当线性模型和 RCS 模型之间的“曝光”、“结果”和所有列出的协变量相同时，为什么模型说 fit0 不包含在 fit1 中，我感到很困惑。我在这里缺少一个选项吗？

任何帮助/指导将不胜感激。

附：不幸的是，考虑到估算数据集的大小，我无法提供示例数据切割。如果有任何困惑，请告诉我如何更好地改进我的问题。

Answer 1

正如错误所说，pool.compare 已被弃用。而是使用D1

library(mice)
library(rms)
D1(model.rcs, model.linear)
#    test statistic df1      df2 dfcom    p.value      riv
# 1 ~~ 2  6.248565   2 8.635754    20 0.02098072 0.449098

在某些示例中，只有警告，但在其他示例中，它同时给出错误和警告

pool.compare(model.rcs, model.linear)
#Error: Model 'fit0' not contained in 'fit1'
#In addition: Warning message:
#  'pool.compare' is deprecated.
#Use 'D1' instead.
#See help("Deprecated") 

错误可能是因为模型本身，即 rcs 模型，而下面我们正在比较两个线性模型

imp <- mice(nhanes)
model.linear <- with(imp, lm(age ~ bmi + hyp + chl))
model.rcs <- with(imp, lm(age ~ rcs(bmi, 3) + hyp + chl))

---

可重现的例子

imp <- mice(nhanes2, print=FALSE, m=50, seed=00219)
fit0 <- with(data=imp,expr=lm(bmi~age+hyp))
fit1 <- with(data=imp,expr=lm(bmi~age+hyp+chl))
stat <- pool.compare(fit1, fit0)
#Warning message:
#'pool.compare' is deprecated.
#Use 'D1' instead.
#See help("Deprecated") 

stat <- D1(fit1, fit0)
stat
#   test statistic df1     df2 dfcom    p.value       riv
# 1 ~~ 2  7.606026   1 16.2182    20 0.01387548 0.3281893