Skip to content
Torna ai risultati

MICE — Imputazione Multivariata tramite Equazioni a Catena

Introdotto da
Stef van Buuren & Karin Groothuis-Oudshoorn
Anno
2011
Tipo
Iterative multiple imputation algorithm
Famiglia
Missing data

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

L'Imputazione Multivariata tramite Equazioni a Catena (MICE) è una procedura iterativa per la gestione dei dati mancanti in dataset multivariati.

Introdotto da Stef van Buuren e Karin Groothuis-Oudshoorn tramite il pacchetto R mice (2011), l'algoritmo riempie ogni variabile mancante utilizzando un modello di regressione separato condizionato a tutte le altre variabili, ciclando ripetutamente attraverso le variabili finché i valori imputati non convergono. Il risultato è m dataset completati che vengono analizzati separatamente e combinati utilizzando le regole di Rubin.

L’intuizione alla base del metodo

Immaginate un cruciverba parzialmente completato: ogni parola vuota viene riempita osservando le lettere incrociate già presenti. Se una parola appena riempita rivela più lettere, si rivisitano i vuoti precedenti con le nuove informazioni. MICE funziona allo stesso modo — riempie una colonna mancante alla volta usando tutte le altre colonne come indizi, quindi rivisita ogni colonna di nuovo, iterando finché le risposte non si stabilizzano attraverso molti cruciverba candidati.

Storia

Il fondamento concettuale dell'imputazione tramite equazioni a catena è emerso nei primi anni '90 dal lavoro di van Buuren, Boshuizen e Knook sui dati incompleti di indagini sulla salute. Il framework Fully Conditional Specification è stato formalizzato negli anni 2000, con van Buuren e Groothuis-Oudshoorn che hanno rilasciato il pacchetto R mice nel 2011 insieme a un articolo metodologico completo nel Journal of Statistical Software, che è diventato il riferimento canonico con decine di migliaia di citazioni.

Quando usarlo

MICE è appropriato quando i dati sono mancanti in modo casuale (MAR) e la mancanza si verifica contemporaneamente su più variabili. Si adatta a esiti continui, binari, ordinali e di conteggio grazie alla sua specifica flessibile del modello per variabile. È meno adatto per dati mancanti non in modo casuale (MNAR) senza modellazione ausiliaria, per dataset ad altissima dimensionalità dove il modello di imputazione diventa ingestibile, o quando i tassi di mancanza superano il 50% nelle variabili chiave. L'imputazione singola o l'analisi dei casi completi possono essere sufficienti in condizioni MCAR con bassi tassi di mancanza.

Limiti e considerazioni

  • Presuppone che i dati siano mancanti in modo casuale (MAR); le violazioni richiedono analisi di sensibilità o estensioni con modelli pattern-mixture
  • Il costo computazionale cresce con il numero di variabili, iterazioni e imputazioni (m)
  • La convergenza del campionatore di tipo Gibbs non è matematicamente garantita per modelli condizionali incompatibili
  • La specificazione del modello (selezione del predittore, metodo di imputazione per variabile) richiede un attento giudizio dell'analista

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Gestisce tipi di variabili miste (continue, binarie, ordinali, di conteggio) tramite modelli personalizzati per colonna
  • Propaga correttamente l'incertezza attraverso dataset multipli imputati e le regole di pooling di Rubin
  • La specifica flessibile del predittore consente di migliorare la qualità dell'imputazione con conoscenze di dominio e variabili ausiliarie
  • Implementazione R ben validata (pacchetto mice) con diagnostica estesa e manutenzione attiva

Applicazioni

  • Studi clinici e studi di coorte epidemiologici con misurazioni di follow-up intermittenti
  • Armonizzazione di dati di indagine in cui diversi moduli di questionario producono schemi di mancanza diversi
  • Pipeline di pre-elaborazione di machine learning che richiedono matrici di feature complete prima dell'addestramento del modello
  • Ricerca in economia sanitaria e politica che combina registri amministrativi con dati di questionari auto-riferiti
  • Valutazioni educative longitudinali con non-risposta agli item attraverso più ondate di test

Come funziona

Come funziona

1

Prima che inizi qualsiasi ciclo, MICE sostituisce tutti i valori mancanti con un segnaposto rapido — tipicamente la media osservata della colonna per le variabili continue o la moda per quelle categoriche. Questo riempimento iniziale assicura che ogni variabile abbia almeno alcuni valori disponibili come predittori quando inizia il primo ciclo di imputazione.

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

Per ogni variabile j con voci mancanti, MICE adatta un modello appropriato al predittore (regressione lineare, regressione logistica, predictive mean matching, ecc.) utilizzando tutte le altre variabili X_{-j} come covariabili. I valori mancanti di X_j vengono quindi estratti dalla distribuzione predittiva a posteriori di quel modello, in modo che i valori imputati riflettano sia la relazione adattata che l'incertezza dei parametri.

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

Dopo aver imputato tutte le p variabili una volta, un ciclo completo è terminato. MICE ripete il ciclo — aggiornando il modello di imputazione di ogni variabile con i valori appena imputati delle sue covariabili — per un numero di iterazioni definito dall'utente (tipicamente 5–20). La convergenza viene monitorata ispezionando i trace plot delle medie e delle deviazioni standard imputate attraverso le iterazioni.

Formula
\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

L'intera procedura (inizializzazione + cicli) viene ripetuta m volte indipendentemente per produrre m dataset completati. Ogni dataset viene analizzato con il metodo statistico desiderato, producendo m stime puntuali ed errori standard. Le regole di combinazione di Rubin fondono quindi queste in una singola stima e una varianza totale T che propaga correttamente sia l'incertezza all'interno dell'imputazione che quella tra le imputazioni.

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

Errori comuni

  • L'uso di un numero troppo esiguo di dataset imputati (m < 5) sottostima gli errori standard e gonfia i tassi di falsi positivi
  • Includere la variabile esito nel modello di imputazione è essenziale; ometterla distorce i coefficienti di regressione verso il nullo
  • Ignorare i termini di interazione o le relazioni non lineari nel modello di imputazione può distorcere le analisi successive
  • La mancata verifica della convergenza tramite trace plot può portare a combinare risultati da catene non convergenti

Domande frequenti

Quanti dataset imputati (m) dovrei creare?

Un default comune è m = 5, sufficiente quando i tassi di mancanza sono bassi. White, Royston e Wood (2011) raccomandano di impostare m approssimativamente uguale alla percentuale di casi incompleti. Per tassi di mancanza superiori al 20–30%, m = 20 o più è consigliabile per stabilizzare le stime combinate e gli errori standard.

MICE può gestire dati mancanti non in modo casuale (MNAR)?

MICE standard assume MAR. Sotto MNAR il modello di imputazione è specificato in modo errato, potenzialmente distorcendo i risultati. Gli analisti dovrebbero condurre analisi di sensibilità — ad esempio, utilizzando l'aggiustamento delta o modelli pattern-mixture — per valutare come i risultati cambiano sotto plausibili deviazioni MNAR dall'assunto MAR.

Quale metodo di imputazione dovrei scegliere per ogni variabile?

Il pacchetto mice seleziona i default in base alla classe della variabile: predictive mean matching (pmm) per variabili continue, regressione logistica per binarie, regressione politomica per fattori non ordinati e odds proporzionali per fattori ordinati. Questi default funzionano bene nella maggior parte dei contesti applicati, ma gli analisti possono sostituire foreste casuali o altri learner flessibili per distribuzioni complesse.

Metodi correlati

Fonti

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

    Apri il riferimento DOI
    Copiato.