MICE — چندگانه سازی تعمیم یافته با معادلات زنجیره ای
- معرفیشده توسط
- Stef van Buuren & Karin Groothuis-Oudshoorn
- سال
- 2011
- نوع
- Iterative multiple imputation algorithm
- خانواده
- Missing data
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
چندگانه سازی تعمیم یافته با معادلات زنجیره ای (MICE) یک رویه تکراری برای مدیریت داده های گمشده در مجموعه داده های چند متغیره است. این الگوریتم که توسط استف ون بورن و کارین گروتهیس-اودشون از طریق بسته R mice (2011) معرفی شد، هر متغیر گمشده را با استفاده از یک مدل رگرسیون جداگانه که بر اساس سایر متغیرها شرطی شده است، پر می کند و متغیرها را به طور مکرر طی می کند تا زمانی که مقادیر جایگزین شده همگرا شوند. نتیجه m مجموعه داده تکمیل شده است که به طور جداگانه تحلیل شده و با استفاده از قوانین روبین ترکیب می شوند.
شهود پشت روش
یک جدول سودوکو نیمه تکمیل را تصور کنید: هر کلمه خالی با توجه به حروف متقاطع موجود پر می شود. اگر یک کلمه تازه پر شده حروف بیشتری را آشکار کند، با اطلاعات جدید به سراغ جاهای خالی قبلی می روید. MICE نیز به همین ترتیب عمل می کند - یک ستون گمشده را در یک زمان با استفاده از تمام ستون های دیگر به عنوان سرنخ پر می کند، سپس دوباره به هر ستون مراجعه می کند و تکرار می کند تا زمانی که پاسخ ها در میان بسیاری از پازل های کاندید پایدار شوند.
تاریخ
مبنای مفهومی جایگزینی معادلات زنجیره ای در اوایل دهه 1990 از کارهای ون بورن، بوشویزن و نوک در مورد داده های ناقص نظرسنجی سلامت پدیدار شد. چارچوب مشخصات شرطی کامل در طول دهه 2000 رسمی شد، با انتشار بسته R mice توسط ون بورن و گروتهیس-اودشون در سال 2011 همراه با یک مقاله روش شناختی جامع در مجله نرم افزار آماری، که با ده ها هزار استناد به مرجع اصلی تبدیل شد.
چه زمانی استفاده شود
MICE زمانی مناسب است که داده ها به صورت تصادفی گمشده باشند (MAR) و گمشدگی در چندین متغیر به طور همزمان رخ دهد. این روش از طریق مشخصات انعطاف پذیر مدل در هر متغیر، برای نتایج پیوسته، دودویی، ترتیبی و شمارشی مناسب است. این روش برای داده های گمشده به صورت غیر تصادفی (MNAR) بدون مدل سازی کمکی، برای مجموعه داده های با ابعاد بسیار بالا که در آن مدل جایگزینی دست و پا گیر می شود، یا زمانی که نرخ گمشدگی از 50٪ در متغیرهای کلیدی فراتر می رود، کمتر مناسب است. جایگزینی منفرد یا تحلیل موارد کامل ممکن است تحت MCAR با نرخ گمشدگی کم کافی باشد.
محدودیتها و ملاحظات
- فرض می کند داده ها به صورت تصادفی گمشده هستند (MAR)؛ نقض ها نیاز به تحلیل های حساسیت یا بسط های الگوی ترکیبی دارند
- هزینه محاسباتی با تعداد متغیرها، تکرارها و جایگزینی ها (m) افزایش می یابد
- همگرایی نمونه گیر گیبس مانند برای مدل های شرطی ناسازگار از نظر ریاضی تضمین نمی شود
- مشخصات مدل (انتخاب پیشگو، روش جایگزینی برای هر متغیر) نیاز به قضاوت دقیق تحلیلگر دارد
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- انواع متغیرهای ترکیبی (پیوسته، دودویی، ترتیبی، شمارشی) را از طریق مدل های متناسب با هر ستون مدیریت می کند
- عدم قطعیت را از طریق مجموعه داده های چندگانه جایگزین شده و قوانین تجمیع روبین به درستی منتشر می کند
- مشخصات پیشگوی انعطاف پذیر به دانش دامنه و متغیرهای کمکی اجازه می دهد تا کیفیت جایگزینی را بهبود بخشند
- پیاده سازی R معتبر (بسته mice) با تشخیص های گسترده و نگهداری فعال
کاربردها
- آزمایشات بالینی و مطالعات کوهورت اپیدمیولوژیک با اندازه گیری های پیگیری متناوب
- هماهنگ سازی داده های نظرسنجی که در آن ماژول های پرسشنامه متفاوت الگوهای گمشدگی متفاوتی را ایجاد می کنند
- خطوط لوله پیش پردازش یادگیری ماشین که قبل از آموزش مدل به ماتریس های ویژگی کامل نیاز دارند
- تحقیقات اقتصاد سلامت و سیاست که سوابق اداری را با داده های خودگزارشی پرسشنامه ترکیب می کنند
- ارزیابی های آموزشی طولی با عدم پاسخ به سوالات در طول امواج متعدد آزمون
چگونه کار میکند
چگونه کار میکند
قبل از شروع هرگونه چرخه، MICE تمام مقادیر گمشده را با یک نگهدارنده سریع جایگزین می کند - معمولاً میانگین ستون مشاهده شده برای متغیرهای پیوسته یا نما برای متغیرهای طبقه ای. این پر کردن اولیه تضمین می کند که هر متغیر حداقل مقادیری را به عنوان پیشگو در هنگام شروع اولین چرخه جایگزینی در دسترس دارد.
فرمول
X^{(0)}_{\text{mis}} \leftarrow \text{simple imputation}(X_{\text{obs}})برای هر متغیر j با ورودی های گمشده، MICE یک مدل مناسب پیشگو (رگرسیون خطی، رگرسیون لجستیک، تطابق میانگین پیش بین، و غیره) را با استفاده از تمام متغیرهای دیگر X_{-j} به عنوان کوواریت برازش می دهد. سپس مقادیر گمشده X_j از توزیع پیش بین پسین آن مدل کشیده می شوند، بنابراین مقادیر جایگزین شده هم رابطه برازش شده و هم عدم قطعیت پارامتر را منعکس می کنند.
فرمول
\hat{X}_j \sim P\!\left(X_j \mid X_{-j},\, \theta_j\right), \quad j = 1, \ldots, pپس از یک بار جایگزینی تمام p متغیر، یک چرخه کامل می شود. MICE چرخه را تکرار می کند - مدل جایگزینی هر متغیر را با مقادیر تازه جایگزین شده کوواریت های آن به روز می کند - برای تعداد تکرارهای تعریف شده توسط کاربر (معمولاً 5-20). همگرایی با بازرسی نمودارهای ردیابی میانگین ها و انحرافات معیار جایگزین شده در طول تکرارها نظارت می شود.
فرمول
\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)کل رویه (مقداردهی اولیه + چرخه) m بار به طور مستقل تکرار می شود تا m مجموعه داده تکمیل شده تولید شود. هر مجموعه داده با روش آماری مورد نظر تحلیل می شود و m برآورد نقطه ای و خطای استاندارد به دست می آید. سپس قوانین ترکیب روبین اینها را در یک برآورد واحد و یک واریانس کل T ادغام می کنند که هم عدم قطعیت درون-جایگزینی و هم بین-جایگزینی را به درستی منتشر می کند.
فرمول
\bar{Q} = \frac{1}{m}\sum_{l=1}^{m} \hat{Q}_l, \quad T = \bar{U} + \left(1 + \frac{1}{m}\right) Bدامهای رایج
- استفاده از تعداد کم مجموعه داده های جایگزین شده (m < 5) خطاهای استاندارد را دست کم می گیرد و نرخ مثبت کاذب را افزایش می دهد
- گنجاندن متغیر پیامد در مدل جایگزینی ضروری است؛ حذف آن ضرایب رگرسیون را به سمت صفر سوگیری می کند
- نادیده گرفتن جملات تعاملی یا روابط غیرخطی در مدل جایگزینی می تواند تحلیل های بعدی را تحریف کند
- عدم بررسی همگرایی از طریق نمودارهای ردیابی ممکن است منجر به تجمیع نتایج از زنجیره های ناهمگرا شود
پرسشهای متداول
چند مجموعه داده جایگزین شده (m) باید ایجاد کنم؟
یک پیش فرض رایج m = 5 است که در صورت کم بودن نرخ گمشدگی کافی است. وایت، رویستون و وود (2011) توصیه می کنند m را تقریباً برابر با درصد موارد ناقص قرار دهید. برای نرخ های گمشدگی بالای 20-30٪، m = 20 یا بیشتر برای پایدار کردن برآوردهای تجمیع شده و خطاهای استاندارد توصیه می شود.
آیا MICE می تواند داده های گمشده به صورت غیر تصادفی (MNAR) را مدیریت کند؟
MICE استاندارد فرض MAR را دارد. تحت MNAR مدل جایگزینی نادرست مشخص شده است و به طور بالقوه نتایج را سوگیری می کند. تحلیلگران باید تحلیل های حساسیت را انجام دهند - به عنوان مثال، با استفاده از مدل های تنظیم دلتا یا الگوی ترکیبی - برای ارزیابی اینکه نتایج تحت انحرافات احتمالی MNAR از فرض MAR چگونه تغییر می کنند.
چه روش جایگزینی را باید برای هر متغیر انتخاب کنم؟
بسته mice پیش فرض ها را بر اساس کلاس متغیر انتخاب می کند: تطابق میانگین پیش بین (pmm) برای متغیرهای پیوسته، رگرسیون لجستیک برای دودویی، رگرسیون چندجمله ای برای عوامل نامرتب، و شانس متناسب برای عوامل مرتب. این پیش فرض ها در اکثر تنظیمات کاربردی به خوبی کار می کنند، اما تحلیلگران ممکن است از جنگل های تصادفی یا سایر یادگیرنده های انعطاف پذیر برای توزیع های پیچیده استفاده کنند.
روشهای مرتبط
منابع
van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of Statistical Software, 45(3), 1–67.
باز کردن مرجع DOIکپی شد.