Saltar al contenido
Volver a los resultados

MICE — Imputación Multivariante por Ecuaciones Encadenadas

Propuesto por
Stef van Buuren & Karin Groothuis-Oudshoorn
Año
2011
Tipo
Iterative multiple imputation algorithm
Familia
Missing data

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La Imputación Multivariante por Ecuaciones Encadenadas (MICE, por sus siglas en inglés) es un procedimiento iterativo para manejar datos faltantes en conjuntos de datos multivariantes.

Introducido por Stef van Buuren y Karin Groothuis-Oudshoorn a través del paquete R mice (2011), el algoritmo completa cada variable faltante utilizando un modelo de regresión separado, condicionado a todas las demás variables, y cicla a través de las variables repetidamente hasta que los valores imputados convergen. El resultado son m conjuntos de datos completados que se analizan por separado y se combinan utilizando las reglas de Rubin.

La intuición detrás del método

Imagine un crucigrama parcialmente completado: cada palabra en blanco se rellena observando las letras de cruce ya presentes. Si una palabra recién rellenada revela más letras, se revisan los espacios en blanco anteriores con la nueva información. MICE funciona de la misma manera: rellena una columna faltante a la vez utilizando todas las demás columnas como pistas, luego revisa cada columna nuevamente, iterando hasta que las respuestas se estabilizan en varios crucigramas candidatos.

Historia

La base conceptual de la imputación por ecuaciones encadenadas surgió a principios de la década de 1990 del trabajo de van Buuren, Boshuizen y Knook sobre datos de encuestas de salud incompletos. El marco de Especificación Condicional Completa se formalizó durante la década de 2000, y van Buuren y Groothuis-Oudshoorn lanzaron el paquete R mice en 2011 junto con un artículo metodológico exhaustivo en el Journal of Statistical Software, que se convirtió en la referencia canónica con decenas de miles de citas.

Cuándo usarlo

MICE es apropiado cuando los datos faltan al azar (MAR) y la falta de datos ocurre simultáneamente en múltiples variables. Se adapta a resultados continuos, binarios, ordinales y de recuento a través de su flexible especificación de modelo por variable. Es menos adecuado para datos que faltan no al azar (MNAR) sin modelado auxiliar, para conjuntos de datos de muy alta dimensionalidad donde el modelo de imputación se vuelve engorroso, o cuando las tasas de falta de datos superan el 50% en variables clave. La imputación simple o el análisis de casos completos pueden ser suficientes bajo MCAR con bajas tasas de falta de datos.

Limitaciones y consideraciones

  • Asume que los datos faltan al azar (MAR); las violaciones requieren análisis de sensibilidad o extensiones de modelos de patrones
  • El costo computacional crece con el número de variables, iteraciones e imputaciones (m)
  • La convergencia del muestreador tipo Gibbs no está garantizada matemáticamente para modelos condicionales incompatibles
  • La especificación del modelo (selección de predictores, método de imputación por variable) requiere un juicio cuidadoso del analista

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Maneja tipos de variables mixtas (continuas, binarias, ordinales, de recuento) a través de modelos personalizados por columna
  • Propaga adecuadamente la incertidumbre a través de múltiples conjuntos de datos imputados y reglas de agrupación de Rubin
  • La especificación flexible de predictores permite que el conocimiento del dominio y las variables auxiliares mejoren la calidad de la imputación
  • Implementación de R bien validada (paquete mice) con diagnósticos extensos y mantenimiento activo

Aplicaciones

  • Ensayos clínicos y estudios de cohortes epidemiológicos con mediciones de seguimiento intermitentes
  • Armonización de datos de encuestas donde diferentes módulos de cuestionarios producen diferentes patrones de falta de datos
  • Pipelines de preprocesamiento de aprendizaje automático que requieren matrices de características completas antes del entrenamiento del modelo
  • Investigación en economía y políticas de salud que combina registros administrativos con datos de cuestionarios autoinformados
  • Evaluaciones educativas longitudinales con no respuesta a ítems en múltiples oleadas de pruebas

Cómo funciona

Cómo funciona

1

Antes de que comience cualquier ciclo, MICE reemplaza todos los valores faltantes con un marcador de posición rápido: típicamente la media de la columna observada para variables continuas o la moda para las categóricas. Este relleno inicial asegura que cada variable tenga al menos algunos valores disponibles como predictores cuando comience el primer ciclo de imputación.

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

Para cada variable j con entradas faltantes, MICE ajusta un modelo apropiado para el predictor (regresión lineal, regresión logística, emparejamiento de medias predictivas, etc.) utilizando todas las demás variables X_{-j} como covariables. Los valores faltantes de X_j se extraen luego de la distribución predictiva posterior de ese modelo, de modo que los valores imputados reflejen tanto la relación ajustada como la incertidumbre del parámetro.

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

Después de imputar todas las p variables una vez, se completa un ciclo completo. MICE repite el ciclo —actualizando el modelo de imputación de cada variable con los valores recién imputados de sus covariables— durante un número de iteraciones definido por el usuario (típicamente 5–20). La convergencia se monitorea inspeccionando gráficos de trazas de medias y desviaciones estándar imputadas a través de las iteraciones.

Fórmula
\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

El procedimiento completo (inicialización + ciclos) se repite m veces de forma independiente para producir m conjuntos de datos completados. Cada conjunto de datos se analiza con el método estadístico previsto, lo que produce m estimaciones puntuales y errores estándar. Las reglas de combinación de Rubin luego fusionan estos en una única estimación y una varianza total T que propaga correctamente tanto la incertidumbre dentro de la imputación como la incertidumbre entre imputaciones.

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

Errores comunes

  • Usar muy pocos conjuntos de datos imputados (m < 5) subestima los errores estándar e infla las tasas de falsos positivos
  • Incluir la variable de resultado en el modelo de imputación es esencial; omitirla sesga los coeficientes de regresión hacia cero
  • Ignorar términos de interacción o relaciones no lineales en el modelo de imputación puede distorsionar los análisis posteriores
  • No verificar la convergencia mediante gráficos de trazas puede llevar a agrupar resultados de cadenas no convergidas

Preguntas frecuentes

¿Cuántos conjuntos de datos imputados (m) debo crear?

Un valor predeterminado común es m = 5, suficiente cuando las tasas de falta de datos son bajas. White, Royston y Wood (2011) recomiendan establecer m aproximadamente igual al porcentaje de casos incompletos. Para tasas de falta de datos superiores al 20-30%, se recomienda m = 20 o más para estabilizar las estimaciones agrupadas y los errores estándar.

¿Puede MICE manejar datos que faltan no al azar (MNAR)?

MICE estándar asume MAR. Bajo MNAR, el modelo de imputación está mal especificado, lo que podría sesgar los resultados. Los analistas deben realizar análisis de sensibilidad —por ejemplo, utilizando ajustes delta o modelos de patrones— para evaluar cómo cambian los resultados bajo desviaciones plausibles de MNAR de la suposición MAR.

¿Qué método de imputación debo elegir para cada variable?

El paquete mice selecciona valores predeterminados basados en la clase de la variable: emparejamiento de medias predictivas (pmm) para variables continuas, regresión logística para binarias, regresión politómica para factores no ordenados y odds proporcionales para factores ordenados. Estos valores predeterminados funcionan bien en la mayoría de los entornos aplicados, pero los analistas pueden sustituir bosques aleatorios u otros aprendices flexibles para distribuciones complejas.

Métodos relacionados

Fuentes

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

    Abrir referencia DOI
    Copiado.