Multiple Imputation – MICE
- Eingeführt von
- Donald B. Rubin
- Jahr
- 1987
- Typ
- Missing-data handling procedure
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Multiple Imputation (MI), 1987 von Donald B. Rubin formal eingeführt, ist ein prinzipiengeleitetes statistisches Verfahren zum Umgang mit fehlenden Daten.
Anstatt jeden fehlenden Wert einmal zu ersetzen, füllt MI die Lücken m-mal – wobei jedes Mal plausible Werte aus der posterioren prädiktiven Verteilung der fehlenden Daten gezogen werden – und erzeugt so m vollständige Datensätze. Jeder Datensatz wird unabhängig analysiert, und die Ergebnisse werden mithilfe von Rubins Pooling-Regeln zu einem einzigen Satz von Schätzungen zusammengeführt. Die MICE-Variante (Multivariate Imputation by Chained Equations), popularisiert von van Buuren und Groothuis-Oudshoorn (2011), erweitert den Ansatz auf gemischte Variablentypen, indem jede Variable nacheinander durch eine Sequenz von bedingten Regressionsmodellen imputiert wird.
Die Intuition hinter der Methode
Man stelle sich fehlende Werte als leere Einträge in einer Umfrage vor. Anstatt einmal zu raten und das Beste zu hoffen, macht die multiple Imputation m fundierte Schätzungen – jede leicht unterschiedlich, was die echte Unsicherheit darüber widerspiegelt, was der wahre Wert hätte sein können. Die Streuung dieser Schätzungen trägt die Unsicherheit in die Analyse weiter, sodass die endgültigen Standardfehler ehrlich und nicht künstlich eng sind. Hätte man nur einmal geraten, hätte man vorgegeben, mehr zu wissen, als man tatsächlich wusste; indem man m-mal rät und die Ergebnisse kombiniert, bleibt die Unsicherheit aufgrund fehlender Daten in den berichteten Schätzungen erhalten.
Geschichte
Der formale statistische Rahmen für die multiple Imputation wurde von Donald B. Rubin entwickelt und 1987 in seiner Monographie „Multiple Imputation for Nonresponse in Surveys“ vorgestellt. Rubin leitete die Pooling-Regeln ab – heute allgemein als Rubins Regeln bezeichnet –, die Schätzungen über imputierte Datensätze hinweg so kombinieren, dass die durch fehlende Daten verursachte Unsicherheit angemessen berücksichtigt wird. Der Ansatz gewann praktische Bedeutung mit der Entwicklung des MICE-Algorithmus, der Rubins Rahmen auf Datensätze mit Variablen gemischter Typen erweitert, indem jede Variable sequenziell durch eine Kette bedingter Modelle imputiert wird. Die wegweisende Softwareimplementierung mice für R, 2011 von van Buuren und Groothuis-Oudshoorn im Journal of Statistical Software veröffentlicht, machte die Methode für angewandte Forscher in verschiedenen Bereichen zugänglich und etablierte MICE als die dominante Implementierungsstrategie.
Wann wird sie eingesetzt?
Multiple Imputation ist geeignet, wenn ein Datensatz fehlende Werte aufweist und der Fehlermechanismus plausibel MAR oder MCAR ist. Sie gilt für kontinuierliche, kategoriale, binäre, ordinale und gemischte Variablentypen und passt zu Querschnitts-, Längsschnitt- und Paneldatenstrukturen. Eine Mindeststichprobengröße von etwa 30 ist erforderlich. Die Methode eignet sich für deskriptive, prädiktive und relationale Forschungszwecke. Wenn der Fehlermechanismus MNAR ist, ist die Standard-Multiple-Imputation unzureichend und muss durch eine Sensitivitätsanalyse oder ein Selektionsmodell ergänzt werden. Die Listwise Deletion (Complete-Case-Analyse) ist nur akzeptabel, wenn die Daten MCAR sind und der Anteil fehlender Daten sehr gering ist; andernfalls ist MI der bevorzugte Ansatz.
Grenzen und Hinweise
- Erfordert die MAR- oder MCAR-Annahme; kann MNAR-Fehlen ohne zusätzliche Modellierung nicht korrigieren.
- Rechenintensiver als einfache Imputation oder Listwise Deletion, insbesondere bei großem m oder großen Datensätzen.
- Die Qualität der imputierten Werte hängt vom Imputationsmodell ab – das Weglassen starker Prädiktoren des Fehlens aus dem Imputationsmodell verzerrt die Ergebnisse.
- Bei hohen Anteilen fehlender Daten (über ~50 %) kann selbst eine korrekt spezifizierte multiple Imputation breite Konfidenzintervalle ergeben.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Erzeugt unverzerrte Schätzungen unter MAR, im Gegensatz zur Listwise Deletion, die die stärkere MCAR-Annahme erfordert.
- Überträgt die Unsicherheit aus fehlenden Daten in Standardfehler und Konfidenzintervalle durch Rubins Pooling-Regeln, wodurch die falsche Präzision einer einfachen Imputation vermieden wird.
- Verarbeitet gemischte Variablentypen – kontinuierlich, binär, ordinal, nominal – innerhalb desselben MICE-Frameworks.
- Kompatibel mit praktisch jedem nachgeschalteten Analysemodell, ohne dass die beabsichtigte Analyse geändert werden muss.
- Gut unterstützt in Standard-Statistiksoftware (R mice, SPSS MULTIPLE IMPUTATION, Python IterativeImputer / miceforest).
Anwendungen
- Umgang mit Item-Non-Response in groß angelegten Umfragedatensätzen in den Sozial- und Gesundheitswissenschaften.
- Vorbereitung klinischer Studiendaten für die Analyse, wenn Follow-up-Messungen fehlen.
- Längsschnitt- und Panelstudien, bei denen Teilnehmer im Laufe der Zeit ausscheiden.
- Ökonometrische Modellierung mit Verwaltungsdaten, die unvollständige Felder aufweisen.
- Vorverarbeitungsschritt in jeder Analyse-Pipeline, bei der nachgeschaltete Modelle vollständige Daten erfordern.
So funktioniert es
So funktioniert es
Vor der Imputation wird das Muster der fehlenden Daten untersucht, um zu beurteilen, ob der Mechanismus plausibel Missing Completely At Random (MCAR) oder Missing At Random (MAR) ist. MCAR bedeutet, dass die Wahrscheinlichkeit des Fehlens nicht von beobachteten oder unbeobachteten Daten abhängt. MAR bedeutet, dass sie von beobachteten Werten abhängen kann, aber nicht von den unbeobachteten fehlenden Werten selbst. Wenn der Mechanismus Missing Not At Random (MNAR) ist – wobei die Wahrscheinlichkeit, dass ein Wert fehlt, von diesem Wert selbst abhängt – ist eine einfache multiple Imputation nicht ausreichend und eine Sensitivitätsanalyse ist erforderlich. Der Anteil fehlender Daten gibt Aufschluss darüber, wie viele imputierte Datensätze m benötigt werden; eine gängige Richtlinie ist m ≥ 100 × (Anteil fehlender Daten).
Der MICE-Algorithmus durchläuft jede unvollständige Variable und passt ein Regressionsmodell an, das diese Variable aus allen anderen (einschließlich zuvor imputierter Werte) vorhersagt. Ein Zug aus der Posteriorverteilung dieses Modells wird verwendet, um die fehlenden Einträge zu füllen. Der Zyklus wiederholt sich für alle unvollständigen Variablen und wird iteriert, bis sich die imputierten Verteilungen stabilisieren – üblicherweise 50 oder mehr Iterationen. Dies erzeugt einen vervollständigten Datensatz. Der gesamte Prozess wird m-mal von Grund auf mit verschiedenen Zufalls-Seeds wiederholt, was m unabhängig imputierte vollständige Datensätze ergibt. Die Wahl des Imputationsmodells (Predictive Mean Matching, logistische Regression, Klassifikationsbäume usw.) hängt vom Variablentyp ab: kontinuierlich, binär, ordinal oder nominal.
Jeder der m vervollständigten Datensätze wird mit dem statistischen Modell analysiert, das der Forscher ursprünglich beabsichtigt hatte – Regression, ANOVA, Strukturgleichungsmodellierung usw. Dieser Schritt erzeugt m Sätze von Parameterschätzungen und Standardfehlern, die alle leicht unterschiedlich sind, da sich die m Datensätze darin unterscheiden, wie die fehlenden Werte gefüllt wurden.
Die m Sätze von Schätzungen werden mithilfe von Rubins Regeln zu einem einzigen Satz zusammengeführt. Die gepoolte Punktschätzung ist das arithmetische Mittel der m einzelnen Schätzungen. Die gepoolte Varianz hat zwei Komponenten: die durchschnittliche Varianz innerhalb der Imputation (was die Analyse ohne fehlende Daten ergeben hätte) und die Varianz zwischen den Imputationen (die zusätzliche Unsicherheit, die sich aus dem Nichtwissen der fehlenden Werte ergibt). Das Verhältnis von Varianz zwischen den Imputationen zur Gesamtvarianz ist der Anteil fehlender Informationen, eine nützliche Diagnose. Die Freiheitsgrade werden entsprechend angepasst. Das Ergebnis ist eine einzige Tabelle von Schätzungen und Konfidenzintervallen, die sowohl die Stichprobenvariabilität als auch die Unsicherheit aufgrund fehlender Daten ehrlich widerspiegelt.
Häufige Fallstricke
- Das Setzen von m zu niedrig – eine gängige Faustregel ist m ≥ 5, aber bei nicht-trivialen fehlenden Anteilen ist ein viel höheres m (z. B. m ≥ 100 × Anteil fehlender Daten) erforderlich, um stabile, reproduzierbare Schätzungen zu erzielen.
- Das Weglassen der Ergebnisvariablen oder anderer wichtiger Prädiktoren aus dem Imputationsmodell führt zu verzerrten Imputationen; das Imputationsmodell muss mindestens so reichhaltig sein wie das Analysemodell.
- Die Anwendung der multiplen Imputation bei einem MNAR-Mechanismus ohne ergänzende Sensitivitätsanalyse liefert Ergebnisse, die gültig erscheinen, aber erheblich verzerrt sein können.
- Das Poolen von Ergebnissen mit Rubins Regeln setzt voraus, dass das Analysemodell für alle m Datensätze dasselbe ist und dass die Konvergenz des MICE-Algorithmus überprüft wurde – überprüfen Sie Trace-Plots der imputierten Mittelwerte und Varianzen, um die Konvergenz zu verifizieren.
Häufig gestellte Fragen
Wie viele imputierte Datensätze (m) benötige ich?
Das traditionelle Minimum von m = 5 ist oft zu niedrig. Eine weit verbreitete praktische Richtlinie ist m ≥ 100 × (Anteil fehlender Daten in Prozent), sodass 10 % fehlende Daten mindestens m = 10 und 30 % fehlende Daten mindestens m = 30 erfordern. Ein höheres m reduziert den Monte-Carlo-Fehler in den gepoolten Schätzungen und ist besonders wichtig für die Reproduzierbarkeit.
Was ist der Unterschied zwischen MCAR, MAR und MNAR?
MCAR (Missing Completely At Random) bedeutet, dass die Wahrscheinlichkeit, dass ein Wert fehlt, in keiner Beziehung zu irgendwelchen Daten steht, weder beobachteten noch unbeobachteten – Daten fehlen rein zufällig. MAR (Missing At Random) bedeutet, dass die Wahrscheinlichkeit des Fehlens von beobachteten Werten abhängen kann, aber nicht vom unbeobachteten fehlenden Wert selbst – sobald man auf das Konditioniert, was man beobachtet hat, ist das Fehlen zufällig. MNAR (Missing Not At Random) bedeutet, dass die Wahrscheinlichkeit des Fehlens vom fehlenden Wert selbst abhängt. Multiple Imputation ist unter MCAR und MAR gültig; unter MNAR kann sie weiterhin durchgeführt werden, muss aber durch eine Sensitivitätsanalyse ergänzt werden.
Erzeugt multiple Imputation echte Daten?
Nein. Multiple Imputation erzeugt plausible Werte, die aus einem Modell der Verteilung der fehlenden Daten gezogen werden; dies sind nicht die wahren fehlenden Werte. Der Zweck der Methode ist nicht, die Originaldaten wiederherzustellen, sondern Schätzungen und Standardfehler für das Analysemodell zu erzeugen, die die durch fehlende Daten verursachte Unsicherheit korrekt berücksichtigen.
Kann ich multiple Imputation mit kategorialen oder ordinalen Variablen verwenden?
Ja. Das MICE-Framework verarbeitet gemischte Variablentypen, indem es für jede Variable ein typgerechtes bedingtes Modell anpasst: Predictive Mean Matching oder lineare Regression für kontinuierliche Variablen, logistische Regression für binäre Variablen, polytome logistische Regression oder ordinale Regression für nominale oder ordinale Variablen und Klassifikations- und Regressionsbäume als flexible nicht-parametrische Option. Jede Variable wird nacheinander unter Verwendung der für ihren Typ geeigneten Modelle imputiert.
Verwandte Methoden
Quellen
Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley.
DOI-Referenz öffnenKopiert.van Buuren, S. & Groothuis-Oudshoorn, K. (2011). mice: Multivariate Imputation by Chained Equations in R. Journal of Statistical Software, 45(3), 1–67.
Publikationsreferenz öffnenKopiert.