Skip to content
Retour aux résultats

MICE — Imputation multiple par équations chaînées

Introduite par
Stef van Buuren & Karin Groothuis-Oudshoorn
Année
2011
Type
Iterative multiple imputation algorithm
Famille
Missing data

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'imputation multiple par équations chaînées (MICE) est une procédure itérative pour traiter les données manquantes dans des ensembles de données multivariés.

Introduit par Stef van Buuren et Karin Groothuis-Oudshoorn via le package R mice (2011), l'algorithme remplit chaque variable manquante à l'aide d'un modèle de régression distinct conditionné sur toutes les autres variables, parcourant les variables de manière répétée jusqu'à ce que les valeurs imputées convergent. Le résultat est m jeux de données complétés qui sont analysés séparément et combinés à l'aide des règles de Rubin.

L’intuition derrière la méthode

Imaginez un puzzle de mots croisés partiellement complété : chaque mot manquant est rempli en regardant les lettres croisées déjà présentes. Si un mot nouvellement rempli révèle plus de lettres, vous revenez aux blancs précédents avec les nouvelles informations. MICE fonctionne de la même manière — il remplit une colonne manquante à la fois en utilisant toutes les autres colonnes comme indices, puis revisite chaque colonne à nouveau, itérant jusqu'à ce que les réponses se stabilisent à travers de nombreux puzzles candidats.

Histoire

Le fondement conceptuel de l'imputation par équations chaînées a émergé au début des années 1990 des travaux de van Buuren, Boshuizen et Knook sur les données d'enquêtes de santé incomplètes. Le cadre de spécification conditionnelle complète a été formalisé au cours des années 2000, avec la publication par van Buuren et Groothuis-Oudshoorn du package R mice en 2011, accompagnée d'un article méthodologique complet dans le Journal of Statistical Software, qui est devenu la référence canonique avec des dizaines de milliers de citations.

Quand l’utiliser

MICE est approprié lorsque les données sont manquantes de manière aléatoire (MAR) et que les données manquantes surviennent simultanément sur plusieurs variables. Il convient aux résultats continus, binaires, ordonnés et de comptage grâce à sa spécification de modèle flexible par variable. Il est moins adapté aux données manquantes non aléatoirement (MNAR) sans modélisation auxiliaire, aux ensembles de données de très haute dimension où le modèle d'imputation devient ingérable, ou lorsque les taux de données manquantes dépassent 50 % dans les variables clés. L'imputation simple ou l'analyse des cas complets peuvent suffire dans le cas MCAR avec de faibles taux de données manquantes.

Limites et points d’attention

  • Suppose que les données sont manquantes de manière aléatoire (MAR) ; les violations nécessitent des analyses de sensibilité ou des extensions de modèles de mélange de motifs
  • Le coût de calcul augmente avec le nombre de variables, d'itérations et d'imputations (m)
  • La convergence de l'échantillonneur de type Gibbs n'est pas garantie mathématiquement pour des modèles conditionnels incompatibles
  • La spécification du modèle (sélection des prédicteurs, méthode d'imputation par variable) nécessite un jugement prudent de l'analyste

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Gère les types de variables mixtes (continues, binaires, ordonnées, de comptage) via des modèles par colonne adaptés
  • Propagage correct de l'incertitude à travers des jeux de données imputés multiples et des règles de pooling de Rubin
  • La spécification flexible des prédicteurs permet à la connaissance du domaine et aux variables auxiliaires d'améliorer la qualité de l'imputation
  • Implémentation R bien validée (package mice) avec des diagnostics complets et une maintenance active

Applications

  • Essais cliniques et études de cohorte épidémiologiques avec des mesures de suivi intermittentes
  • Harmonisation des données d'enquête où différents modules de questionnaire génèrent différents schémas de données manquantes
  • Pipelines de prétraitement d'apprentissage automatique nécessitant des matrices de caractéristiques complètes avant l'entraînement du modèle
  • Recherche en économie et politique de la santé combinant des dossiers administratifs avec des données d'enquêtes auto-déclarées
  • Évaluations longitudinales de l'éducation avec non-réponse aux items sur plusieurs vagues de tests

Comment ça marche

Comment ça marche

1

Avant le début de tout cycle, MICE remplace toutes les valeurs manquantes par un marqueur temporaire rapide — généralement la moyenne observée de la colonne pour les variables continues ou le mode pour les variables catégorielles. Ce remplissage initial garantit que chaque variable dispose d'au moins quelques valeurs disponibles comme prédicteurs lorsque le premier cycle d'imputation commence.

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

Pour chaque variable j avec des entrées manquantes, MICE ajuste un modèle approprié aux prédicteurs (régression linéaire, régression logistique, appariement par moyenne prédictive, etc.) en utilisant toutes les autres variables X_{-j} comme covariables. Les valeurs manquantes de X_j sont ensuite tirées de la distribution prédictive a posteriori de ce modèle, de sorte que les valeurs imputées reflètent à la fois la relation ajustée et l'incertitude des paramètres.

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

Après avoir imputé toutes les p variables une fois, un cycle complet est terminé. MICE répète le cycle — en mettant à jour le modèle d'imputation de chaque variable avec les valeurs nouvellement imputées de ses covariables — pour un nombre d'itérations défini par l'utilisateur (typiquement 5–20). La convergence est surveillée en inspectant les tracés de séries chronologiques des moyennes et écarts types imputés à travers les itérations.

Formule
\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

La procédure complète (initialisation + cycles) est répétée m fois indépendamment pour produire m jeux de données complétés. Chaque jeu de données est analysé avec la méthode statistique prévue, produisant m estimations ponctuelles et erreurs types. Les règles de combinaison de Rubin fusionnent ensuite celles-ci en une estimation unique et une variance totale T qui propage correctement l'incertitude à la fois intra-imputation et inter-imputations.

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

Pièges courants

  • L'utilisation d'un nombre insuffisant de jeux de données imputés (m < 5) sous-estime les erreurs types et gonfle les taux de faux positifs
  • L'inclusion de la variable de résultat dans le modèle d'imputation est essentielle ; son omission biaise les coefficients de régression vers zéro
  • Ignorer les termes d'interaction ou les relations non linéaires dans le modèle d'imputation peut fausser les analyses ultérieures
  • Ne pas vérifier la convergence via les tracés de séries chronologiques peut conduire à la combinaison de résultats de chaînes non convergentes

Questions fréquentes

Combien de jeux de données imputés (m) dois-je créer ?

Une valeur par défaut courante est m = 5, suffisante lorsque les taux de données manquantes sont faibles. White, Royston et Wood (2011) recommandent de définir m approximativement égal au pourcentage de cas incomplets. Pour des taux de données manquantes supérieurs à 20–30 %, m = 20 ou plus est conseillé pour stabiliser les estimations combinées et les erreurs types.

MICE peut-il gérer des données manquantes non aléatoirement (MNAR) ?

MICE standard suppose MAR. Sous MNAR, le modèle d'imputation est mal spécifié, ce qui peut biaiser les résultats. Les analystes devraient effectuer des analyses de sensibilité — par exemple, en utilisant des modèles de delta-ajustement ou de mélange de motifs — pour évaluer comment les résultats changent sous des déviations plausibles de l'hypothèse MAR vers MNAR.

Quelle méthode d'imputation dois-je choisir pour chaque variable ?

Le package mice sélectionne des valeurs par défaut basées sur la classe de la variable : appariement par moyenne prédictive (pmm) pour les variables continues, régression logistique pour les variables binaires, régression polytomique pour les facteurs non ordonnés, et odds proportionnels pour les facteurs ordonnés. Ces valeurs par défaut fonctionnent bien dans la plupart des contextes appliqués, mais les analystes peuvent substituer des forêts aléatoires ou d'autres apprenants flexibles pour des distributions complexes.

Méthodes associées

Sources

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

    Ouvrir la référence DOI
    Copié.