Imputation Multiple — MICE
- Introduite par
- Donald B. Rubin
- Année
- 1987
- Type
- Missing-data handling procedure
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
L'imputation multiple (MI), introduite formellement par Donald B. Rubin en 1987, est une procédure statistique rigoureuse pour traiter les données manquantes.
Plutôt que de remplacer chaque valeur manquante une seule fois, la MI comble les lacunes m fois — chaque fois en tirant des valeurs plausibles de la distribution prédictive a posteriori des données manquantes — produisant ainsi m jeux de données complets. Chaque jeu de données est analysé indépendamment, et les résultats sont combinés en un ensemble unique d'estimations à l'aide des règles de combinaison de Rubin. La variante MICE (Multivariate Imputation by Chained Equations), popularisée par van Buuren et Groothuis-Oudshoorn (2011), étend cette approche aux types de variables mixtes en imputant chaque variable à tour de rôle par une séquence de modèles de régression conditionnels.
L’intuition derrière la méthode
Considérez les valeurs manquantes comme des entrées vierges dans une enquête. Au lieu de deviner une seule fois en espérant le meilleur, l'imputation multiple effectue m suppositions éclairées — chacune légèrement différente, reflétant l'incertitude réelle quant à la valeur véritable qui aurait pu être. La dispersion entre ces suppositions reporte l'incertitude dans l'analyse, de sorte que les erreurs standard finales sont honnêtes plutôt qu'artificiellement étroites. Si vous n'aviez deviné qu'une seule fois, vous auriez prétendu en savoir plus que vous ne le saviez réellement ; en devinant m fois et en combinant les résultats, l'incertitude due aux données manquantes est préservée dans les estimations rapportées.
Histoire
Le cadre statistique formel pour l'imputation multiple a été développé par Donald B. Rubin et présenté dans sa monographie de 1987 Multiple Imputation for Nonresponse in Surveys. Rubin a dérivé les règles de combinaison — maintenant universellement appelées règles de Rubin — qui combinent les estimations à travers les jeux de données imputés d'une manière qui tient compte correctement de l'incertitude introduite par le manque. L'approche a gagné en traction pratique avec le développement de l'algorithme MICE, qui étend le cadre de Rubin aux jeux de données avec des variables de types mixtes en imputant chaque variable séquentiellement par une chaîne de modèles conditionnels. L'implémentation logicielle phare mice pour R, publiée par van Buuren et Groothuis-Oudshoorn dans le Journal of Statistical Software en 2011, a rendu la méthode accessible aux chercheurs appliqués dans tous les domaines et a établi MICE comme la stratégie d'implémentation dominante.
Quand l’utiliser
L'imputation multiple est appropriée lorsqu'un jeu de données contient des valeurs manquantes et que le mécanisme de manque est plausiblement MAR ou MCAR. Elle s'applique aux variables continues, catégorielles, binaires, ordinales et mixtes et convient aux structures de données transversales, longitudinales et de panel. Une taille d'échantillon minimale d'environ 30 est requise. La méthode convient aux objectifs de recherche descriptive, prédictive et relationnelle. Lorsque le manque est MNAR, l'imputation multiple standard est insuffisante et doit être complétée par une analyse de sensibilité ou un modèle de sélection. La suppression de liste (analyse des cas complets) n'est acceptable que lorsque les données sont MCAR et que la proportion de données manquantes est très faible ; sinon, la MI est l'approche préférée.
Limites et points d’attention
- Requiert l'hypothèse MAR ou MCAR ; ne peut pas corriger le manque MNAR sans modélisation supplémentaire.
- Plus exigeant en termes de calcul que l'imputation simple ou la suppression de liste, surtout avec un grand m ou de grands jeux de données.
- La qualité des valeurs imputées dépend du modèle d'imputation — omettre les prédicteurs forts du manque du modèle d'imputation biaise les résultats.
- Avec des fractions élevées de données manquantes (au-dessus d'environ 50 %), même une imputation multiple correctement spécifiée peut donner des intervalles de confiance larges.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Produit des estimations non biaisées sous MAR, contrairement à la suppression de liste qui nécessite l'hypothèse plus forte de MCAR.
- Propage l'incertitude des données manquantes dans les erreurs standard et les intervalles de confiance par les règles de combinaison de Rubin, évitant la fausse précision de l'imputation simple.
- Gère les types de variables mixtes — continues, binaires, ordinales, nominales — au sein du même cadre MICE.
- Compatible avec pratiquement tout modèle d'analyse en aval, ne nécessitant aucune modification du modèle d'analyse prévu.
- Bien supporté par les logiciels statistiques standards (R mice, SPSS MULTIPLE IMPUTATION, Python IterativeImputer / miceforest).
Applications
- Traitement de la non-réponse aux items dans les grands jeux de données d'enquêtes en sciences sociales et de la santé.
- Préparation des données d'essais cliniques pour l'analyse lorsque les mesures de suivi sont manquantes.
- Études longitudinales et de panel où les participants abandonnent au fil du temps.
- Modélisation économétrique avec des enregistrements administratifs comportant des champs incomplets.
- Étape de prétraitement dans tout pipeline d'analyse où les modèles en aval nécessitent des données complètes.
Comment ça marche
Comment ça marche
Avant l'imputation, le schéma des données manquantes est examiné pour évaluer si le mécanisme est plausiblement Manquant Complètement Au Hasard (MCAR) ou Manquant Au Hasard (MAR). MCAR signifie que la probabilité de manque ne dépend d'aucune donnée observée ou non observée. MAR signifie qu'elle peut dépendre des valeurs observées mais pas des valeurs manquantes non observées elles-mêmes. Si le mécanisme est Manquant Pas Au Hasard (MNAR) — où la probabilité qu'une valeur soit manquante dépend de cette valeur elle-même — l'imputation multiple simple n'est pas suffisante et une analyse de sensibilité est requise. La fraction de données manquantes informe sur le nombre de jeux de données imputés m nécessaires ; une règle générale courante est m ≥ 100 × (fraction manquante).
L'algorithme MICE parcourt chaque variable incomplète et ajuste un modèle de régression prédisant cette variable à partir de toutes les autres (y compris les valeurs précédemment imputées). Un tirage de la distribution a posteriori de ce modèle est utilisé pour remplir les entrées manquantes. Le cycle se répète pour toutes les variables incomplètes et est itéré jusqu'à ce que les distributions imputées se stabilisent — généralement 50 itérations ou plus. Cela produit un jeu de données complet. L'ensemble du processus est répété à partir de zéro m fois avec des germes aléatoires différents, produisant m jeux de données complets imputés indépendamment. Le choix du modèle d'imputation (appariement par moyenne prédictive, régression logistique, arbres de classification, etc.) dépend du type de variable : continue, binaire, ordinale ou nominale.
Chacun des m jeux de données complétés est analysé avec le modèle statistique que le chercheur avait initialement prévu — régression, ANOVA, modélisation par équations structurelles, etc. Cette étape produit m ensembles d'estimations de paramètres et d'erreurs standard, tous légèrement différents car les m jeux de données diffèrent dans la manière dont les valeurs manquantes ont été remplies.
Les m ensembles d'estimations sont combinés en un ensemble unique à l'aide des règles de Rubin. L'estimation ponctuelle combinée est la moyenne arithmétique des m estimations individuelles. La variance combinée a deux composantes : la variance moyenne intra-imputation (ce que l'analyse aurait donné sans données manquantes) et la variance inter-imputation (l'incertitude supplémentaire due à l'ignorance des valeurs manquantes). Le rapport de la variance inter-imputation sur la variance totale est la fraction d'information manquante, un diagnostic utile. Les degrés de liberté sont ajustés en conséquence. Le résultat est un tableau unique d'estimations et d'intervalles de confiance qui reflète honnêtement à la fois la variabilité d'échantillonnage et l'incertitude due aux données manquantes.
Pièges courants
- Définir m trop bas — une règle empirique courante est m ≥ 5, mais avec des fractions de manque non négligeables, un m beaucoup plus élevé (par exemple, m ≥ 100 × fraction manquante) est nécessaire pour obtenir des estimations stables et reproductibles.
- Omettre la variable de résultat ou d'autres prédicteurs importants du modèle d'imputation produit des imputations biaisées ; le modèle d'imputation doit être au moins aussi riche que le modèle d'analyse.
- Appliquer l'imputation multiple lorsque le mécanisme est MNAR sans analyse de sensibilité supplémentaire donne des résultats qui semblent valides mais peuvent être substantiellement biaisés.
- La combinaison des résultats avec les règles de Rubin suppose que le modèle d'analyse est le même pour tous les m jeux de données et que la convergence de l'algorithme MICE a été vérifiée — inspectez les tracés des moyennes et variances imputées pour vérifier la convergence.
Questions fréquentes
Combien de jeux de données imputés (m) sont nécessaires ?
Le minimum traditionnel de m = 5 est souvent trop bas. Une ligne directrice pratique largement citée est m ≥ 100 × (fraction de données manquantes exprimée en pourcentage), de sorte que 10 % de manque nécessitent au moins m = 10 et 30 % de manque nécessitent au moins m = 30. Un m plus élevé réduit l'erreur de Monte Carlo dans les estimations combinées et est particulièrement important pour la reproductibilité.
Quelle est la différence entre MCAR, MAR et MNAR ?
MCAR (Manquant Complètement Au Hasard) signifie que la probabilité qu'une valeur soit manquante n'est liée à aucune donnée, observée ou non observée — les données sont manquantes par pur hasard. MAR (Manquant Au Hasard) signifie que la probabilité de manque peut dépendre des valeurs observées mais pas de la valeur manquante non observée elle-même — une fois que vous conditionnez sur ce que vous avez observé, le manque est aléatoire. MNAR (Manquant Pas Au Hasard) signifie que la probabilité de manque dépend de la valeur manquante elle-même. L'imputation multiple est valide sous MCAR et MAR ; sous MNAR, elle peut toujours être exécutée mais doit être complétée par une analyse de sensibilité.
L'imputation multiple crée-t-elle des données réelles ?
Non. L'imputation multiple crée des valeurs plausibles tirées d'un modèle de la distribution des données manquantes ; ce ne sont pas les vraies valeurs manquantes. Le but de la méthode n'est pas de retrouver les données originales mais de produire des estimations et des erreurs standard pour le modèle d'analyse qui tiennent correctement compte de l'incertitude introduite par le manque.
Puis-je utiliser l'imputation multiple avec des variables catégorielles ou ordinales ?
Oui. Le cadre MICE gère les types de variables mixtes en ajustant un modèle conditionnel approprié au type pour chaque variable : appariement par moyenne prédictive ou régression linéaire pour les variables continues, régression logistique pour les variables binaires, régression logistique polytomique ou régression ordinale pour les variables nominales ou ordinales, et arbres de classification et de régression comme option non paramétrique flexible. Chaque variable est imputée à tour de rôle en utilisant les modèles appropriés à son type.
Méthodes associées
Sources
Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley.
Ouvrir la référence DOICopié.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 de la publicationCopié.