Zum Inhalt springen
Zurück zu den Suchergebnissen

MICE — Multivariate Imputation by Chained Equations

Eingeführt von
Stef van Buuren & Karin Groothuis-Oudshoorn
Jahr
2011
Typ
Iterative multiple imputation algorithm
Familie
Missing data

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Multivariate Imputation by Chained Equations (MICE) ist ein iteratives Verfahren zur Behandlung fehlender Daten in multivariaten Datensätzen.

Der Algorithmus, der von Stef van Buuren und Karin Groothuis-Oudshoorn über das R-Paket mice (2011) eingeführt wurde, füllt jede fehlende Variable mithilfe eines separaten Regressionsmodells, das auf alle anderen Variablen bedingt ist, und durchläuft die Variablen wiederholt, bis die imputierten Werte konvergieren. Das Ergebnis sind m vervollständigte Datensätze, die separat analysiert und nach den Regeln von Rubin kombiniert werden.

Die Intuition hinter der Methode

Stellen Sie sich ein teilweise ausgefülltes Kreuzworträtsel vor: Jedes leere Wort wird anhand der bereits vorhandenen kreuzenden Buchstaben ausgefüllt. Wenn ein neu ausgefülltes Wort weitere Buchstaben enthüllt, überarbeiten Sie frühere Lücken mit den neuen Informationen. MICE funktioniert genauso – es füllt eine fehlende Spalte nach der anderen aus, wobei alle anderen Spalten als Hinweise dienen, und überarbeitet dann jede Spalte erneut, bis sich die Antworten über viele Kandidatenlösungen stabilisieren.

Geschichte

Die konzeptionelle Grundlage der Chained Equations Imputation entstand in den frühen 1990er Jahren aus der Arbeit von van Buuren, Boshuizen und Knook an unvollständigen Daten aus Gesundheitsumfragen. Der Fully Conditional Specification-Rahmen wurde in den 2000er Jahren formalisiert, wobei van Buuren und Groothuis-Oudshoorn 2011 das R-Paket mice zusammen mit einer umfassenden methodischen Arbeit im Journal of Statistical Software veröffentlichten, die zur kanonischen Referenz mit Zehntausenden von Zitaten wurde.

Wann wird sie eingesetzt?

MICE ist geeignet, wenn Daten zufällig fehlen (MAR) und das Fehlen von Daten über mehrere Variablen gleichzeitig auftritt. Es eignet sich für kontinuierliche, binäre, ordinale und Zähldaten-Zielgrößen durch seine flexible Modellspezifikation pro Variable. Es ist weniger geeignet für Daten, die nicht zufällig fehlen (MNAR) ohne zusätzliche Modellierung, für sehr hochdimensionale Datensätze, bei denen das Imputationsmodell unhandlich wird, oder wenn die Missing-Raten bei Schlüsselvariablen 50 % überschreiten. Einzelne Imputation oder Analyse vollständiger Fälle kann bei MCAR mit niedrigen Missing-Raten ausreichend sein.

Grenzen und Hinweise

  • Geht davon aus, dass Daten zufällig fehlen (MAR); Verstöße erfordern Sensitivitätsanalysen oder Muster-Mischmodellerweiterungen
  • Rechenaufwand wächst mit der Anzahl der Variablen, Iterationen und Imputationen (m)
  • Die Konvergenz des Gibbs-ähnlichen Samplers ist für inkompatible bedingte Modelle mathematisch nicht garantiert
  • Modellspezifikation (Prädiktorwahl, Imputationsmethode pro Variable) erfordert sorgfältiges Urteilsvermögen des Analysten

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Verarbeitet gemischte Variablentypen (kontinuierlich, binär, ordinal, Zählung) über maßgeschneiderte Modelle pro Spalte
  • Propagiert Unsicherheit ordnungsgemäß durch mehrere imputierte Datensätze und die Pooling-Regeln von Rubin
  • Flexible Prädiktorspezifikation ermöglicht die Nutzung von Domänenwissen und Hilfsvariablen zur Verbesserung der Imputationsqualität
  • Gut validierte R-Implementierung (mice-Paket) mit umfangreichen Diagnostiken und aktiver Wartung

Anwendungen

  • Klinische Studien und epidemiologische Kohortenstudien mit intermittierenden Nachmessungen
  • Harmonisierung von Umfragedaten, bei denen unterschiedliche Fragebogenmodule unterschiedliche Missing-Muster ergeben
  • Preprocessing-Pipelines für maschinelles Lernen, die vollständige Merkmalsmatrizen vor dem Modelltraining erfordern
  • Forschungsarbeiten in den Bereichen Gesundheitsökonomie und Politik, die administrative Aufzeichnungen mit selbstberichteten Umfragedaten kombinieren
  • Längsschnittliche Bildungsbewertungen mit Item-Non-Response über mehrere Testwellen hinweg

So funktioniert es

So funktioniert es

1

Bevor der Zyklus beginnt, ersetzt MICE alle fehlenden Werte durch einen schnellen Platzhalter – typischerweise den beobachteten Spaltenmittelwert für kontinuierliche Variablen oder den Modus für kategoriale Variablen. Diese anfängliche Füllung stellt sicher, dass jede Variable mindestens einige Werte als Prädiktoren zur Verfügung hat, wenn der erste Imputationszyklus beginnt.

Formel
X^{(0)}_{\text{mis}} \leftarrow \text{simple imputation}(X_{\text{obs}})
2

Für jede Variable j mit fehlenden Einträgen passt MICE ein geeignetes Modell (lineare Regression, logistische Regression, prädiktive Mittelwertanpassung usw.) an, das alle anderen Variablen X_{-j} als Kovariaten verwendet. Fehlende Werte von X_j werden dann aus der posterioren prädiktiven Verteilung dieses Modells gezogen, sodass die imputierten Werte sowohl die angepasste Beziehung als auch die Parameterunsicherheit widerspiegeln.

Formel
\hat{X}_j \sim P\!\left(X_j \mid X_{-j},\, \theta_j\right), \quad j = 1, \ldots, p
3

Nachdem alle p Variablen einmal imputiert wurden, ist ein vollständiger Zyklus abgeschlossen. MICE wiederholt den Zyklus – wobei das Imputationsmodell jeder Variablen mit den neu imputierten Werten ihrer Kovariaten aktualisiert wird – für eine vom Benutzer definierte Anzahl von Iterationen (typischerweise 5–20). Die Konvergenz wird durch Inspektion von Trace-Plots der imputierten Mittelwerte und Standardabweichungen über die Iterationen hinweg überwacht.

Formel
\theta_j^{(t)} = \arg\max_{\theta_j} \prod_{i: x_{ij} \text{ obs}} P\!\left(x_{ij} \mid x_{i,-j}^{(t-1)},\, \theta_j\right)
4

Das vollständige Verfahren (Initialisierung + Zyklen) wird m-mal unabhängig wiederholt, um m vervollständigte Datensätze zu erzeugen. Jeder Datensatz wird mit der beabsichtigten statistischen Methode analysiert, was zu m Punktschätzungen und Standardfehlern führt. Die Kombinationsregeln von Rubin führen diese dann zu einer einzigen Schätzung und einer Gesamtvarianz T zusammen, die sowohl die Unsicherheit innerhalb der Imputation als auch die Unsicherheit zwischen den Imputationen korrekt propagiert.

Formel
\bar{Q} = \frac{1}{m}\sum_{l=1}^{m} \hat{Q}_l, \quad T = \bar{U} + \left(1 + \frac{1}{m}\right) B

Häufige Fallstricke

  • Die Verwendung von zu wenigen imputierten Datensätzen (m < 5) unterschätzt die Standardfehler und erhöht die Raten falsch positiver Ergebnisse
  • Die Einbeziehung der Ergebnisvariable in das Imputationsmodell ist unerlässlich; deren Auslassung verzerrt Regressionskoeffizienten in Richtung Null
  • Das Ignorieren von Interaktionstermen oder nichtlinearen Beziehungen im Imputationsmodell kann nachfolgende Analysen verzerren
  • Das Versäumnis, die Konvergenz anhand von Trace-Plots zu überprüfen, kann dazu führen, dass Ergebnisse von nicht konvergierten Ketten gepoolt werden

Häufig gestellte Fragen

Wie viele imputierte Datensätze (m) sollte ich erstellen?

Ein üblicher Standardwert ist m = 5, ausreichend bei niedrigen Missing-Raten. White, Royston und Wood (2011) empfehlen, m ungefähr gleich dem Prozentsatz der unvollständigen Fälle zu setzen. Bei Missing-Raten über 20–30 % sind m = 20 oder mehr ratsam, um gepoolte Schätzungen und Standardfehler zu stabilisieren.

Kann MICE Daten, die nicht zufällig fehlen (MNAR), verarbeiten?

Standard-MICE geht von MAR aus. Unter MNAR ist das Imputationsmodell falsch spezifiziert, was potenziell zu verzerrten Ergebnissen führt. Analysten sollten Sensitivitätsanalysen durchführen – zum Beispiel unter Verwendung von Delta-Anpassung oder Muster-Mischmodellen –, um zu bewerten, wie sich die Ergebnisse unter plausiblen MNAR-Abweichungen von der MAR-Annahme ändern.

Welche Imputationsmethode sollte ich für jede Variable wählen?

Das mice-Paket wählt Standardwerte basierend auf der Variablenklasse: prädiktive Mittelwertanpassung (pmm) für kontinuierliche Variablen, logistische Regression für binäre, polytomische Regression für ungeordnete Faktoren und proportionale Odds für geordnete Faktoren. Diese Standardwerte funktionieren in den meisten angewandten Situationen gut, aber Analysten können Random Forests oder andere flexible Lerner für komplexe Verteilungen einsetzen.

Verwandte Methoden

Quellen

  1. van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of Statistical Software, 45(3), 1–67.

    DOI-Referenz öffnen
    Kopiert.