Skip to content
Kembali ke hasil pencarian

Imputasi Berganda — MICE

Diperkenalkan oleh
Donald B. Rubin
Tahun
1987
Jenis
Missing-data handling procedure

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Imputasi Berganda (MI), yang secara formal diperkenalkan oleh Donald B. Rubin pada tahun 1987, adalah prosedur statistik yang berprinsip untuk menangani data yang hilang.

Alih-alih mengganti setiap nilai yang hilang sekali, MI mengisi celah sebanyak m kali — setiap kali menarik nilai yang masuk akal dari distribusi prediktif posterior data yang hilang — menghasilkan m dataset lengkap. Setiap dataset dianalisis secara independen, dan hasilnya digabungkan menjadi satu set estimasi menggunakan aturan penggabungan Rubin. Varian MICE (Multivariate Imputation by Chained Equations), yang dipopulerkan oleh van Buuren dan Groothuis-Oudshoorn (2011), memperluas pendekatan ini ke tipe variabel campuran dengan mengimputasi setiap variabel secara bergantian melalui serangkaian model regresi kondisional.

Intuisi di balik metode

Anggap nilai yang hilang sebagai entri kosong dalam survei. Alih-alih menebak sekali dan berharap yang terbaik, imputasi berganda membuat m tebakan terdidik — masing-masing sedikit berbeda, mencerminkan ketidakpastian yang sebenarnya tentang apa nilai sebenarnya. Sebaran di antara tebakan-tebakan tersebut membawa ketidakpastian ke dalam analisis, sehingga kesalahan standar akhir jujur daripada sempit secara artifisial. Jika Anda hanya menebak sekali, Anda akan berpura-pura tahu lebih banyak daripada yang sebenarnya Anda ketahui; dengan menebak m kali dan menggabungkan hasilnya, ketidakpastian karena data hilang dipertahankan dalam estimasi yang dilaporkan.

Sejarah

Kerangka kerja statistik formal untuk imputasi berganda dikembangkan oleh Donald B. Rubin dan disajikan dalam monografnya tahun 1987 Multiple Imputation for Nonresponse in Surveys. Rubin menurunkan aturan penggabungan — yang sekarang secara universal disebut aturan Rubin — yang menggabungkan estimasi di seluruh dataset imputasi dengan cara yang memperhitungkan ketidakpastian yang diperkenalkan oleh data hilang. Pendekatan ini mendapatkan daya tarik praktis dengan pengembangan algoritma MICE, yang memperluas kerangka kerja Rubin ke dataset dengan variabel tipe campuran dengan mengimputasi setiap variabel secara berurutan melalui rantai model kondisional. Implementasi perangkat lunak penting mice untuk R, yang diterbitkan oleh van Buuren dan Groothuis-Oudshoorn di Journal of Statistical Software pada tahun 2011, membuat metode ini dapat diakses oleh peneliti terapan di berbagai bidang dan menjadikan MICE sebagai strategi implementasi yang dominan.

Kapan digunakan

Imputasi berganda sesuai ketika sebuah dataset memiliki nilai yang hilang dan mekanisme data hilang secara masuk akal adalah MAR atau MCAR. Ini berlaku untuk variabel kontinu, kategorikal, biner, ordinal, dan tipe campuran serta cocok untuk struktur data cross-sectional, longitudinal, dan panel. Ukuran sampel minimum sekitar 30 diperlukan. Metode ini cocok untuk tujuan penelitian deskriptif, prediktif, dan relasional. Ketika data hilang adalah MNAR, imputasi berganda standar tidak mencukupi dan harus dilengkapi dengan analisis sensitivitas atau model seleksi. Penghapusan daftar (analisis kasus lengkap) dapat diterima hanya ketika data adalah MCAR dan proporsi data yang hilang sangat kecil; jika tidak, MI adalah pendekatan yang disukai.

Batasan dan pertimbangan

  • Memerlukan asumsi MAR atau MCAR; tidak dapat memperbaiki data hilang MNAR tanpa pemodelan tambahan.
  • Secara komputasi lebih menuntut daripada imputasi tunggal atau penghapusan daftar, terutama dengan m besar atau dataset besar.
  • Kualitas nilai imputasi bergantung pada model imputasi — menghilangkan prediktor kuat dari data hilang dari model imputasi akan membiaskan hasil.
  • Dengan fraksi data hilang yang tinggi (di atas ~50%), bahkan imputasi berganda yang dispesifikasikan dengan benar dapat menghasilkan interval kepercayaan yang lebar.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menghasilkan estimasi yang tidak bias di bawah MAR, tidak seperti penghapusan daftar yang memerlukan asumsi MCAR yang lebih kuat.
  • Menyebarkan ketidakpastian dari data yang hilang ke kesalahan standar dan interval kepercayaan melalui aturan penggabungan Rubin, menghindari ketepatan palsu dari imputasi tunggal.
  • Menangani tipe variabel campuran — kontinu, biner, ordinal, nominal — dalam kerangka MICE yang sama.
  • Kompatibel dengan hampir semua model analisis hilir, tidak memerlukan modifikasi pada analisis yang dimaksudkan.
  • Didukung dengan baik dalam perangkat lunak statistik standar (R mice, SPSS MULTIPLE IMPUTATION, Python IterativeImputer / miceforest).

Penerapan

  • Menangani non-respons item dalam dataset survei skala besar dalam ilmu sosial dan kesehatan.
  • Mempersiapkan data uji klinis untuk analisis ketika pengukuran tindak lanjut hilang.
  • Studi longitudinal dan panel di mana peserta keluar dari waktu ke waktu.
  • Pemodelan ekonometrik dengan catatan administratif yang memiliki bidang tidak lengkap.
  • Langkah pra-pemrosesan dalam setiap alur kerja analisis di mana model hilir memerlukan data lengkap.

Cara kerjanya

Cara kerjanya

1

Sebelum mengimputasi, pola data hilang diperiksa untuk menilai apakah mekanismenya masuk akal sebagai Missing Completely At Random (MCAR) atau Missing At Random (MAR). MCAR berarti probabilitas data hilang tidak bergantung pada data apa pun yang diamati atau tidak diamati. MAR berarti ia dapat bergantung pada nilai yang diamati tetapi tidak pada nilai yang hilang yang tidak diamati itu sendiri. Jika mekanismenya adalah Missing Not At Random (MNAR) — di mana probabilitas suatu nilai hilang bergantung pada nilai itu sendiri — imputasi berganda sederhana tidak mencukupi dan analisis sensitivitas diperlukan. Fraksi data yang hilang menginformasikan berapa banyak dataset imputasi m yang dibutuhkan; pedoman umum adalah m ≥ 100 × (fraksi data hilang).

2

Algoritma MICE berputar melalui setiap variabel yang tidak lengkap dan mencocokkan model regresi yang memprediksi variabel tersebut dari semua variabel lain (termasuk nilai yang diimputasi sebelumnya). Tarikan dari posterior model ini digunakan untuk mengisi entri yang hilang. Siklus diulang untuk semua variabel yang tidak lengkap dan diiterasi sampai distribusi imputasi stabil — umumnya 50 iterasi atau lebih. Ini menghasilkan satu dataset lengkap. Seluruh proses diulang dari awal m kali dengan benih acak yang berbeda, menghasilkan m dataset lengkap yang diimputasi secara independen. Pilihan model imputasi (pencocokan rata-rata prediktif, regresi logistik, pohon klasifikasi, dll.) bergantung pada tipe variabel: kontinu, biner, ordinal, atau nominal.

3

Setiap dari m dataset lengkap dianalisis dengan model statistik apa pun yang awalnya dimaksudkan oleh peneliti — regresi, ANOVA, pemodelan persamaan struktural, dan seterusnya. Langkah ini menghasilkan m set estimasi parameter dan kesalahan standar, semuanya sedikit berbeda karena m dataset berbeda dalam cara nilai yang hilang diisi.

4

m set estimasi digabungkan menjadi satu set menggunakan aturan Rubin. Estimasi titik gabungan adalah rata-rata aritmatika dari m estimasi individual. Varians gabungan memiliki dua komponen: rata-rata varians dalam-imputasi (apa yang akan diberikan analisis jika tidak ada data hilang) dan varians antar-imputasi (ketidakpastian tambahan karena tidak mengetahui nilai yang hilang). Rasio varians antar-imputasi terhadap total adalah fraksi informasi yang hilang, sebuah diagnostik yang berguna. Derajat kebebasan disesuaikan. Hasilnya adalah satu tabel estimasi dan interval kepercayaan yang secara jujur mencerminkan variabilitas pengambilan sampel dan ketidakpastian karena data yang hilang.

Kesalahan umum

  • Menetapkan m terlalu rendah — aturan praktis umum adalah m ≥ 5, tetapi dengan fraksi data hilang yang tidak sepele, m yang jauh lebih tinggi (misalnya, m ≥ 100 × fraksi data hilang) diperlukan untuk mencapai estimasi yang stabil dan dapat direproduksi.
  • Menghilangkan variabel hasil atau prediktor penting lainnya dari model imputasi menghasilkan imputasi yang bias; model imputasi harus setidaknya sekaya model analisis.
  • Menerapkan imputasi berganda ketika mekanismenya adalah MNAR tanpa analisis sensitivitas tambahan memberikan hasil yang tampak valid tetapi mungkin secara substansial bias.
  • Menggabungkan hasil dengan aturan Rubin mengasumsikan bahwa model analisis sama untuk semua m dataset dan bahwa konvergensi algoritma MICE telah diperiksa — periksa plot jejak rata-rata dan varians imputasi untuk memverifikasi konvergensi.

Pertanyaan yang sering diajukan

Berapa banyak dataset imputasi (m) yang saya butuhkan?

Minimum tradisional m = 5 seringkali terlalu rendah. Pedoman praktis yang banyak dikutip adalah m ≥ 100 × (fraksi data hilang yang dinyatakan sebagai persentase), sehingga 10% data hilang memerlukan setidaknya m = 10 dan 30% data hilang memerlukan setidaknya m = 30. m yang lebih tinggi mengurangi kesalahan Monte Carlo dalam estimasi gabungan dan sangat penting untuk reproduktibilitas.

Apa perbedaan antara MCAR, MAR, dan MNAR?

MCAR (Missing Completely At Random) berarti probabilitas suatu nilai hilang tidak terkait dengan data apa pun, yang diamati atau tidak diamati — data hilang karena kebetulan murni. MAR (Missing At Random) berarti probabilitas data hilang dapat bergantung pada nilai yang diamati tetapi tidak pada nilai yang hilang yang tidak diamati itu sendiri — setelah Anda mengkondisikan pada apa yang telah Anda amati, data hilang adalah acak. MNAR (Missing Not At Random) berarti probabilitas data hilang bergantung pada nilai yang hilang itu sendiri. Imputasi berganda valid di bawah MCAR dan MAR; di bawah MNAR, ia masih dapat dijalankan tetapi harus dilengkapi dengan analisis sensitivitas.

Apakah imputasi berganda menciptakan data nyata?

Tidak. Imputasi berganda menciptakan nilai yang masuk akal yang ditarik dari model distribusi data yang hilang; ini bukanlah nilai data yang hilang yang sebenarnya. Tujuan metode ini bukanlah untuk memulihkan data asli tetapi untuk menghasilkan estimasi dan kesalahan standar untuk model analisis yang secara benar memperhitungkan ketidakpastian yang diperkenalkan oleh data hilang.

Bisakah saya menggunakan imputasi berganda dengan variabel kategorikal atau ordinal?

Ya. Kerangka kerja MICE menangani tipe variabel campuran dengan mencocokkan model kondisional yang sesuai tipe untuk setiap variabel: pencocokan rata-rata prediktif atau regresi linier untuk variabel kontinu, regresi logistik untuk variabel biner, regresi logistik politomus atau regresi ordinal untuk variabel nominal atau ordinal, dan pohon klasifikasi dan regresi sebagai opsi non-parametrik yang fleksibel. Setiap variabel diimputasi secara bergantian menggunakan model yang sesuai dengan tipenya.

Metode terkait

Sumber

  1. Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley.

    Buka referensi DOI
    Disalin.
  2. 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 publikasi
    Disalin.