Múltiple Imputación — MICE
- Propuesto por
- Donald B. Rubin
- Año
- 1987
- Tipo
- Missing-data handling procedure
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La Múltiple Imputación (MI), introducida formalmente por Donald B. Rubin en 1987, es un procedimiento estadístico riguroso para manejar datos faltantes.
En lugar de reemplazar cada valor faltante una sola vez, la MI rellena las lagunas m veces — cada vez extrayendo valores plausibles de la distribución predictiva posterior de los datos faltantes — produciendo m conjuntos de datos completos. Cada conjunto de datos se analiza de forma independiente y los resultados se combinan en un único conjunto de estimaciones utilizando las reglas de agrupación de Rubin. La variante MICE (Múltiple Imputación por Ecuaciones Enlazadas), popularizada por van Buuren y Groothuis-Oudshoorn (2011), extiende el enfoque a tipos de variables mixtas imputando cada variable por turno a través de una secuencia de modelos de regresión condicional.
La intuición detrás del método
Piense en los valores faltantes como entradas en blanco en una encuesta. En lugar de adivinar una vez y esperar lo mejor, la múltiple imputación realiza m conjeturas educadas — cada una ligeramente diferente, reflejando la incertidumbre genuina sobre cuál podría haber sido el valor real. La dispersión entre esas conjeturas traslada la incertidumbre al análisis, de modo que los errores estándar finales son honestos en lugar de artificialmente estrechos. Si hubiera adivinado solo una vez, habría pretendido saber más de lo que realmente sabía; al adivinar m veces y combinar los resultados, la incertidumbre debida a la falta de datos se preserva en las estimaciones reportadas.
Historia
El marco estadístico formal para la múltiple imputación fue desarrollado por Donald B. Rubin y presentado en su monografía de 1987 Multiple Imputation for Nonresponse in Surveys. Rubin derivó las reglas de agrupación — ahora universalmente llamadas reglas de Rubin — que combinan estimaciones entre conjuntos de datos imputados de una manera que tiene en cuenta adecuadamente la incertidumbre introducida por la falta de datos. El enfoque ganó tracción práctica con el desarrollo del algoritmo MICE, que extiende el marco de Rubin a conjuntos de datos con variables de tipos mixtos imputando cada variable secuencialmente a través de una cadena de modelos condicionales. La implementación de software emblemática mice para R, publicada por van Buuren y Groothuis-Oudshoorn en el Journal of Statistical Software en 2011, hizo el método accesible a investigadores aplicados en todos los campos y estableció MICE como la estrategia de implementación dominante.
Cuándo usarlo
La múltiple imputación es apropiada cuando un conjunto de datos tiene valores faltantes y el mecanismo de faltantes es plausiblemente MAR o MCAR. Se aplica a variables continuas, categóricas, binarias, ordinales y de tipo mixto, y se adapta a estructuras de datos transversales, longitudinales y de panel. Se requiere un tamaño de muestra mínimo de aproximadamente 30. El método se adapta a propósitos de investigación descriptiva, predictiva y relacional. Cuando los faltantes son MNAR, la múltiple imputación estándar es insuficiente y debe complementarse con un análisis de sensibilidad o un modelo de selección. La eliminación de listas (análisis de casos completos) es aceptable solo cuando los datos son MCAR y la proporción de datos faltantes es muy pequeña; de lo contrario, la MI es el enfoque preferido.
Limitaciones y consideraciones
- Requiere la suposición MAR o MCAR; no puede corregir la falta de datos MNAR sin modelado adicional.
- Computacionalmente más exigente que la imputación simple o la eliminación de listas, especialmente con m grande o conjuntos de datos grandes.
- La calidad de los valores imputados depende del modelo de imputación — omitir predictores fuertes de la falta de datos del modelo de imputación sesga los resultados.
- Con altas fracciones de datos faltantes (por encima de ~50 %), incluso la múltiple imputación correctamente especificada puede producir intervalos de confianza amplios.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Produce estimaciones insesgadas bajo MAR, a diferencia de la eliminación de listas que requiere la suposición más fuerte de MCAR.
- Propaga la incertidumbre de los datos faltantes a los errores estándar y los intervalos de confianza a través de las reglas de agrupación de Rubin, evitando la falsa precisión de la imputación simple.
- Maneja tipos de variables mixtas — continuas, binarias, ordinales, nominales — dentro del mismo marco MICE.
- Compatible con prácticamente cualquier modelo de análisis posterior, sin requerir modificación del análisis previsto.
- Bien soportado en software estadístico estándar (R mice, SPSS MULTIPLE IMPUTATION, Python IterativeImputer / miceforest).
Aplicaciones
- Manejo de la no respuesta de ítems en conjuntos de datos de encuestas a gran escala en ciencias sociales y de la salud.
- Preparación de datos de ensayos clínicos para análisis cuando faltan mediciones de seguimiento.
- Estudios longitudinales y de panel donde los participantes abandonan con el tiempo.
- Modelado econométrico con registros administrativos que tienen campos incompletos.
- Paso de preprocesamiento en cualquier canalización de análisis donde los modelos posteriores requieran datos completos.
Cómo funciona
Cómo funciona
Antes de imputar, se examina el patrón de faltantes para evaluar si el mecanismo es plausiblemente Completamente Al Azar (MCAR) o Al Azar (MAR). MCAR significa que la probabilidad de que falte un dato no depende de ningún dato observado o no observado. MAR significa que puede depender de valores observados pero no de los valores faltantes no observados en sí mismos. Si el mecanismo es No Al Azar (MNAR) — donde la probabilidad de que un valor falte depende de ese valor en sí — la múltiple imputación simple no es suficiente y se requiere un análisis de sensibilidad. La fracción de datos faltantes informa cuántos conjuntos de datos imputados m son necesarios; una directriz común es m ≥ 100 × (fracción faltante).
El algoritmo MICE itera a través de cada variable incompleta y ajusta un modelo de regresión que predice esa variable a partir de todas las demás (incluyendo valores previamente imputados). Se utiliza una extracción de la posterior de este modelo para rellenar las entradas faltantes. El ciclo se repite para todas las variables incompletas y se itera hasta que las distribuciones imputadas se estabilizan — comúnmente 50 o más iteraciones. Esto produce un conjunto de datos completo. Todo el proceso se repite desde cero m veces con diferentes semillas aleatorias, produciendo m conjuntos de datos completos imputados de forma independiente. La elección del modelo de imputación (emparejamiento predictivo de la media, regresión logística, árboles de clasificación, etc.) depende del tipo de variable: continua, binaria, ordinal o nominal.
Cada uno de los m conjuntos de datos completos se analiza con el modelo estadístico que el investigador pretendía originalmente — regresión, ANOVA, modelado de ecuaciones estructurales, etc. Este paso produce m conjuntos de estimaciones de parámetros y errores estándar, todos ligeramente diferentes porque los m conjuntos de datos difieren en cómo se rellenaron los valores faltantes.
Los m conjuntos de estimaciones se combinan en un único conjunto utilizando las reglas de Rubin. La estimación puntual agrupada es la media aritmética de las m estimaciones individuales. La varianza agrupada tiene dos componentes: la varianza media dentro de la imputación (lo que el análisis habría dado sin datos faltantes) y la varianza entre imputaciones (la incertidumbre adicional de no conocer los valores faltantes). La relación entre la varianza entre imputaciones y la varianza total es la fracción de información faltante, un diagnóstico útil. Los grados de libertad se ajustan en consecuencia. El resultado es una única tabla de estimaciones e intervalos de confianza que refleja honestamente tanto la variabilidad de la muestra como la incertidumbre debida a los datos faltantes.
Errores comunes
- Establecer m demasiado bajo — una regla general común es m ≥ 5, pero con fracciones de faltantes no triviales se necesita un m mucho mayor (p. ej., m ≥ 100 × fracción faltante) para lograr estimaciones estables y reproducibles.
- Omitir la variable de resultado u otros predictores importantes del modelo de imputación produce imputaciones sesgadas; el modelo de imputación debe ser al menos tan rico como el modelo de análisis.
- Aplicar múltiple imputación cuando el mecanismo es MNAR sin un análisis de sensibilidad suplementario da resultados que parecen válidos pero pueden estar sustancialmente sesgados.
- Agrupar resultados con las reglas de Rubin asume que el modelo de análisis es el mismo para todos los m conjuntos de datos y que se ha verificado la convergencia del algoritmo MICE — inspeccionar gráficos de trazas de medias y varianzas imputadas para verificar la convergencia.
Preguntas frecuentes
¿Cuántos conjuntos de datos imputados (m) necesito?
El mínimo tradicional de m = 5 a menudo es demasiado bajo. Una directriz práctica ampliamente citada es m ≥ 100 × (fracción de datos faltantes expresada como porcentaje), de modo que un 10 % de faltantes requiera al menos m = 10 y un 30 % de faltantes requiera al menos m = 30. Un m mayor reduce el error de Monte Carlo en las estimaciones agrupadas y es especialmente importante para la reproducibilidad.
¿Cuál es la diferencia entre MCAR, MAR y MNAR?
MCAR (Completamente Al Azar) significa que la probabilidad de que falte un valor no está relacionada con ningún dato, observado o no observado — los datos faltan por puro azar. MAR (Al Azar) significa que la probabilidad de que falte un dato puede depender de valores observados pero no del valor faltante no observado en sí mismo — una vez que se condiciona sobre lo que se ha observado, la falta de datos es aleatoria. MNAR (No Al Azar) significa que la probabilidad de que falte un dato depende del propio valor faltante. La múltiple imputación es válida bajo MCAR y MAR; bajo MNAR aún se puede ejecutar pero debe complementarse con un análisis de sensibilidad.
¿La múltiple imputación crea datos reales?
No. La múltiple imputación crea valores plausibles extraídos de un modelo de la distribución de datos faltantes; estos no son los valores faltantes verdaderos. El propósito del método no es recuperar los datos originales, sino producir estimaciones y errores estándar para el modelo de análisis que tengan en cuenta correctamente la incertidumbre introducida por la falta de datos.
¿Puedo usar múltiple imputación con variables categóricas u ordinales?
Sí. El marco MICE maneja tipos de variables mixtas ajustando un modelo condicional apropiado para el tipo para cada variable: emparejamiento predictivo de la media o regresión lineal para variables continuas, regresión logística para variables binarias, regresión logística politómica o regresión ordinal para variables nominales u ordinales, y árboles de clasificación y regresión como una opción no paramétrica flexible. Cada variable se imputa por turno utilizando los modelos apropiados para su tipo.
Métodos relacionados
Fuentes
Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley.
Abrir referencia DOICopiado.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 de la publicaciónCopiado.