MICE — Imputasi Multivariat dengan Persamaan Berantai
- Diperkenalkan oleh
- Stef van Buuren & Karin Groothuis-Oudshoorn
- Tahun
- 2011
- Jenis
- Iterative multiple imputation algorithm
- Keluarga
- Missing data
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Imputasi Multivariat dengan Persamaan Berantai (MICE) adalah prosedur iteratif untuk menangani data yang hilang dalam kumpulan data multivariat.
Diperkenalkan oleh Stef van Buuren dan Karin Groothuis-Oudshoorn melalui paket R mice (2011), algoritma ini mengisi setiap variabel yang hilang menggunakan model regresi terpisah yang dikondisikan pada semua variabel lain, berulang melalui variabel berulang kali hingga nilai imputasi konvergen. Hasilnya adalah m kumpulan data lengkap yang dianalisis secara terpisah dan digabungkan menggunakan aturan Rubin.
Intuisi di balik metode
Bayangkan teka-teki silang yang sebagian terisi: setiap kata yang kosong diisi dengan melihat huruf-huruf yang bersilangan yang sudah ada. Jika kata yang baru diisi mengungkapkan lebih banyak huruf, Anda meninjau kembali bagian yang kosong sebelumnya dengan informasi baru. MICE bekerja dengan cara yang sama — ia mengisi satu kolom yang hilang pada satu waktu menggunakan semua kolom lain sebagai petunjuk, kemudian meninjau kembali setiap kolom lagi, berulang hingga jawaban stabil di banyak teka-teki kandidat.
Sejarah
Landasan konseptual imputasi persamaan berantai muncul pada awal 1990-an dari karya van Buuren, Boshuizen, dan Knook tentang data survei kesehatan yang tidak lengkap. Kerangka Kerja Spesifikasi Kondisional Penuh diformalkan melalui tahun 2000-an, dengan van Buuren dan Groothuis-Oudshoorn merilis paket R mice pada tahun 2011 bersama dengan makalah metodologis komprehensif di Journal of Statistical Software, yang menjadi referensi kanonik dengan puluhan ribu kutipan.
Kapan digunakan
MICE sesuai ketika data hilang secara acak (MAR) dan kehilangan data terjadi di beberapa variabel secara bersamaan. Ini cocok untuk hasil kontinu, biner, ordinal, dan hitungan melalui spesifikasi model per variabel yang fleksibel. Ini kurang cocok untuk data yang hilang tidak secara acak (MNAR) tanpa pemodelan tambahan, untuk kumpulan data berdimensi sangat tinggi di mana model imputasi menjadi rumit, atau ketika tingkat kehilangan data melebihi 50% pada variabel kunci. Imputasi tunggal atau analisis kasus lengkap mungkin cukup di bawah MCAR dengan tingkat kehilangan data yang rendah.
Batasan dan pertimbangan
- Mengasumsikan data hilang secara acak (MAR); pelanggaran memerlukan analisis sensitivitas atau ekstensi pola campuran
- Biaya komputasi tumbuh dengan jumlah variabel, iterasi, dan imputasi (m)
- Konvergensi sampler seperti Gibbs tidak dijamin secara matematis untuk model kondisional yang tidak kompatibel
- Spesifikasi model (pemilihan prediktor, metode imputasi per variabel) memerlukan penilaian analis yang cermat
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangani tipe variabel campuran (kontinu, biner, ordinal, hitungan) melalui model per kolom yang disesuaikan
- Menyebarkan ketidakpastian dengan benar melalui beberapa kumpulan data yang diimputasi dan aturan penggabungan Rubin
- Spesifikasi prediktor yang fleksibel memungkinkan pengetahuan domain dan variabel tambahan untuk meningkatkan kualitas imputasi
- Implementasi R yang divalidasi dengan baik (paket mice) dengan diagnostik ekstensif dan pemeliharaan aktif
Penerapan
- Uji klinis dan studi kohort epidemiologi dengan pengukuran tindak lanjut intermiten
- Harmonisasi data survei di mana modul kuesioner yang berbeda menghasilkan pola kehilangan yang berbeda
- Pipeline pra-pemrosesan pembelajaran mesin yang memerlukan matriks fitur lengkap sebelum pelatihan model
- Penelitian ekonomi dan kebijakan kesehatan yang menggabungkan catatan administratif dengan data kuesioner yang dilaporkan sendiri
- Penilaian pendidikan longitudinal dengan non-respons item di berbagai gelombang tes
Cara kerjanya
Cara kerjanya
Sebelum siklus dimulai, MICE mengganti semua nilai yang hilang dengan placeholder cepat — biasanya rata-rata kolom yang diamati untuk variabel kontinu atau modus untuk variabel kategorikal. Pengisian awal ini memastikan bahwa setiap variabel memiliki setidaknya beberapa nilai yang tersedia sebagai prediktor ketika siklus imputasi pertama dimulai.
Rumus
X^{(0)}_{\text{mis}} \leftarrow \text{simple imputation}(X_{\text{obs}})Untuk setiap variabel j dengan entri yang hilang, MICE menyesuaikan model yang sesuai dengan prediktor (regresi linier, regresi logistik, pencocokan rata-rata prediktif, dll.) menggunakan semua variabel lain X_{-j} sebagai kovariat. Nilai yang hilang dari X_j kemudian ditarik dari distribusi prediktif posterior dari model tersebut, sehingga nilai yang diimputasi mencerminkan hubungan yang disesuaikan dan ketidakpastian parameter.
Rumus
\hat{X}_j \sim P\!\left(X_j \mid X_{-j},\, \theta_j\right), \quad j = 1, \ldots, pSetelah mengimputasi semua p variabel sekali, satu siklus penuh selesai. MICE mengulang siklus — memperbarui model imputasi setiap variabel dengan nilai yang baru diimputasi dari kovariatnya — untuk sejumlah iterasi yang ditentukan pengguna (biasanya 5–20). Konvergensi dipantau dengan memeriksa plot jejak rata-rata dan standar deviasi yang diimputasi di seluruh iterasi.
Rumus
\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)Prosedur lengkap (inisialisasi + siklus) diulang m kali secara independen untuk menghasilkan m kumpulan data lengkap. Setiap kumpulan data dianalisis dengan metode statistik yang dimaksud, menghasilkan m perkiraan titik dan kesalahan standar. Aturan penggabungan Rubin kemudian menggabungkannya menjadi satu perkiraan dan varians total T yang secara akurat menyebarkan ketidakpastian dalam imputasi dan antar imputasi.
Rumus
\bar{Q} = \frac{1}{m}\sum_{l=1}^{m} \hat{Q}_l, \quad T = \bar{U} + \left(1 + \frac{1}{m}\right) BKesalahan umum
- Menggunakan terlalu sedikit kumpulan data yang diimputasi (m < 5) meremehkan kesalahan standar dan meningkatkan tingkat positif palsu
- Memasukkan variabel hasil dalam model imputasi sangat penting; menghilangkannya membiaskan koefisien regresi ke arah nol
- Mengabaikan istilah interaksi atau hubungan non-linier dalam model imputasi dapat mendistorsi analisis hilir
- Gagal memeriksa konvergensi melalui plot jejak dapat menyebabkan penggabungan hasil dari rantai yang tidak konvergen
Pertanyaan yang sering diajukan
Berapa banyak kumpulan data yang diimputasi (m) yang harus saya buat?
Default umum adalah m = 5, cukup ketika tingkat kehilangan data rendah. White, Royston, dan Wood (2011) merekomendasikan pengaturan m kira-kira sama dengan persentase kasus yang tidak lengkap. Untuk tingkat kehilangan data di atas 20–30%, m = 20 atau lebih disarankan untuk menstabilkan perkiraan gabungan dan kesalahan standar.
Bisakah MICE menangani data yang hilang tidak secara acak (MNAR)?
MICE standar mengasumsikan MAR. Di bawah MNAR, model imputasi salah spesifikasi, berpotensi membiaskan hasil. Analis harus melakukan analisis sensitivitas — misalnya, menggunakan penyesuaian delta atau model pola campuran — untuk menilai bagaimana hasil berubah di bawah penyimpangan MNAR yang masuk akal dari asumsi MAR.
Metode imputasi apa yang harus saya pilih untuk setiap variabel?
Paket mice memilih default berdasarkan kelas variabel: pencocokan rata-rata prediktif (pmm) untuk variabel kontinu, regresi logistik untuk biner, regresi politomus untuk faktor yang tidak berurutan, dan peluang proporsional untuk faktor yang berurutan. Default ini bekerja dengan baik dalam sebagian besar pengaturan terapan, tetapi analis dapat mengganti hutan acak atau pembelajar fleksibel lainnya untuk distribusi yang kompleks.
Metode terkait
Sumber
van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of Statistical Software, 45(3), 1–67.
Buka referensi DOIDisalin.