Skip to content
検索結果に戻る

MICE — Multivariate Imputation by Chained Equations

提唱者
Stef van Buuren & Karin Groothuis-Oudshoorn
年
2011
種類
Iterative multiple imputation algorithm
系統
Missing data

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

多変量連鎖方程式による多重代入法(MICE)は、多変量データセットにおける欠損値を扱うための反復的手順である。Stef van BuurenとKarin Groothuis-OudshoornによってRパッケージmice(2011)を通じて導入されたこのアルゴリズムは、各欠損変数を、他のすべての変数に基づいて条件付けられた個別の回帰モデルを使用して埋め、変数を繰り返し循環させて代入値が収束するまで行う。結果として得られるm個の完了したデータセットは個別に分析され、Rubinの規則を用いて結合される。

手法の背後にある直感

部分的に完成したクロスワードパズルを想像してほしい。空白の単語は、すでに存在する交差する文字を見て埋められる。新しく埋められた単語がさらに多くの文字を明らかにした場合、新しい情報を持って以前の空白に戻る。MICEも同様に機能する――1度に1つの欠損列を、他のすべての列を手がかりとして使用して埋め、次にすべての列を再訪し、多くの候補パズルにわたる回答が安定するまで反復する。

歴史学

連鎖方程式代入の概念的基盤は、1990年代初頭にvan Buuren、Boshuizen、Knookによる不完全な健康調査データに関する研究から出現した。完全条件指定フレームワークは2000年代に形式化され、van BuurenとGroothuis-Oudshoornは2011年にmice Rパッケージをリリースし、Journal of Statistical Softwareに包括的な方法論論文を発表した。これは数万の引用を持つ標準的な参考文献となった。

使うべき場面

MICEは、データがランダムに欠損している(MAR)場合、および複数の変数にわたって同時に欠損が発生する場合に適している。変数ごとのモデル仕様の柔軟性により、連続、二値、順序、カウントアウトカムに適している。補助モデリングなしではランダムに欠損していない(MNAR)データ、代入モデルが扱いにくくなる非常に高次元のデータセット、または主要な変数で欠損率が50%を超える場合にはあまり適していない。単一代入または完全ケース分析は、低い欠損率でMCARの下で十分な場合がある。

限界と注意点

  • データがランダムに欠損している(MAR)と仮定する。違反には感度分析またはパターン混合拡張が必要
  • 計算コストは、変数、反復、および代入(m)の数とともに増加する
  • ギブス様サンプラーの収束は、互換性のない条件付きモデルに対して数学的に保証されない
  • モデル仕様(予測子の選択、変数ごとの代入方法)には、慎重な分析者の判断が必要

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 調整済みの列ごとのモデルを介して混合変数型(連続、二値、順序、カウント)を処理する
  • 複数の代入データセットとRubinのプール規則を通じて不確実性を適切に伝播する
  • 柔軟な予測子仕様により、分野の知識と補助変数が代入品質を向上させることができる
  • 広範な診断とアクティブなメンテナンスを備えた、十分に検証されたR実装(miceパッケージ)

応用

  • 断続的な追跡測定を伴う臨床試験および疫学コホート研究
  • 異なる質問票モジュールが異なる欠損パターンをもたらす調査データの調和
  • モデルトレーニングの前に完全な特徴行列を必要とする機械学習前処理パイプライン
  • 行政記録と自己申告された質問票データを組み合わせた健康経済学および政策研究
  • 複数のテスト波にわたる項目非応答を伴う縦断的教育評価

使い方

使い方

1

循環が開始される前に、MICEはすべての欠損値を簡易な仮の値に置き換える――通常、連続変数は列の平均、カテゴリ変数は最頻値である。この初期の充填により、最初の代入サイクルが開始されるときに、すべての変数が予測子として少なくともいくつかの値を利用できるようになる。

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

欠損エントリを持つ各変数jについて、MICEは他のすべての変数X_{-j}を共変量として使用して、予測子に適したモデル(線形回帰、ロジスティック回帰、予測平均マッチングなど)を適合させる。次に、X_jの欠損値は、そのモデルの事後予測分布から描画されるため、代入値は適合した関係とパラメータの不確実性の両方を反映する。

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

すべてのp変数を一度代入した後、1回の完全なサイクルが完了する。MICEは、ユーザー定義の反復回数(通常5〜20回)だけサイクルを繰り返す――各変数の代入モデルを、その共変量の新しく代入された値で更新する。収束は、反復全体での代入された平均値と標準偏差のトレースプロットを検査することによって監視される。

数式
\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

完全な手順(初期化+循環)は、m回独立に繰り返されてm個の完了したデータセットが生成される。各データセットは意図された統計的手法で分析され、m個の点推定値と標準誤差が得られる。次に、Rubinの結合規則がこれらを単一の推定値と、代入内および代入間の不確実性の両方を正しく伝播する合計分散Tにマージする。

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

よくある落とし穴

  • 少なすぎる代入データセット(m < 5)を使用すると、標準誤差が過小評価され、偽陽性率が上昇する
  • 代入モデルにアウトカム変数を含めることが不可欠である。省略すると、回帰係数がゼロに向かって偏る
  • 代入モデルで交互作用項または非線形関係を無視すると、下流の分析が歪む可能性がある
  • トレースプロットで収束を確認しないと、収束していないチェーンの結果をプールする可能性がある

よくある質問

いくつの代入データセット(m)を作成すべきか?

一般的なデフォルトはm = 5であり、欠損率が低い場合には十分である。White、Royston、およびWood(2011)は、mを不完全ケースの割合にほぼ等しく設定することを推奨している。欠損率が20〜30%を超える場合は、プールされた推定値と標準誤差を安定させるために、m = 20以上が推奨される。

MICEはランダムに欠損していない(MNAR)データを扱えますか?

標準的なMICEはMARを仮定する。MNARの下では、代入モデルが誤って指定され、結果が偏る可能性がある。分析者は、MAR仮定からの妥当なMNAR逸脱が結果をどのように変化させるかを評価するために、感度分析(例えば、デルタ調整またはパターン混合モデルを使用)を実施すべきである。

各変数にどの代入方法を選択すべきか?

miceパッケージは、変数のクラスに基づいてデフォルトを選択する:連続変数には予測平均マッチング(pmm)、二値変数にはロジスティック回帰、順序なし因子には多項回帰、順序あり因子には比例オッズである。これらのデフォルトはほとんどの応用設定でうまく機能するが、分析者は複雑な分布のためにランダムフォレストやその他の柔軟な学習器で置き換えることができる。

関連する手法

参考文献

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

    DOI 文献を開く
    コピーしました。