Skip to content
検索結果に戻る

Multiple Imputation — MICE

提唱者
Donald B. Rubin
年
1987
種類
Missing-data handling procedure

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?

Multiple Imputation (MI) は、1987年にDonald B. Rubinによって正式に導入された、欠損値に対処するための原理的な統計的手順である。MIは、各欠損値を一度だけ置き換えるのではなく、欠損値の事後予測分布から妥当な値をそれぞれ引き出すことで、ギャップをm回埋め、m個の完全なデータセットを生成する。各データセットは独立に分析され、結果はRubinのプール規則を用いて単一の推定値セットに結合される。van BuurenとGroothuis-Oudshoorn (2011) によって普及したMICE(Multivariate Imputation by Chained Equations)の変法は、各変数を順番に条件付き回帰モデルのシーケンスを通じて代入することにより、混合変数型へのアプローチを拡張する。

手法の背後にある直感

欠損値をアンケートの空白の項目と考えてほしい。一度推測してうまくいくことを願うのではなく、Multiple Imputationはm回の教育的な推測を行う――それぞれがわずかに異なり、真の値が何であったかについての真の不確実性を反映する。それらの推測にわたる広がりは不確実性を分析に引き継ぐため、最終的な標準誤差は人工的に狭くなるのではなく、正直なものとなる。もし一度だけ推測した場合、実際よりも多くを知っていると偽ることになるだろう。m回推測し、結果を結合することで、欠損による不確実性は報告された推定値に保持される。

歴史学

Multiple Imputationの正式な統計的枠組みはDonald B. Rubinによって開発され、1987年のモノグラフ『Multiple Imputation for Nonresponse in Surveys』で発表された。Rubinは、代入済みデータセット全体にわたる推定値を、欠損によって導入された不確実性を適切に考慮する方法で結合するプール規則(現在では普遍的にRubinの規則と呼ばれる)を導出した。このアプローチは、MICEアルゴリズムの開発により実用的な牽引力を得た。MICEアルゴリズムは、各変数を条件付きモデルの連鎖を通じて逐次的に代入することにより、混合型の変数を持つデータセットにRubinの枠組みを拡張する。Journal of Statistical Software誌に2011年に発表されたR用の画期的なソフトウェア実装であるmiceは、この手法を様々な分野の応用研究者が利用できるようにし、MICEを主要な実装戦略として確立した。

使うべき場面

Multiple Imputationは、データセットに欠損値があり、欠損メカニズムがMARまたはMCARであると妥当な場合に適切である。連続変数、カテゴリ変数、二値変数、順序変数、混合型変数に適用され、横断データ、縦断データ、パネルデータ構造に適合する。最低サンプルサイズは約30が必要である。この方法は、記述的、予測的、および関係的研究目的に適している。欠損がMNARの場合、標準的なMultiple Imputationでは不十分であり、感度分析または選択モデルで補完する必要がある。リストワイズ削除(完全ケース分析)は、データがMCARであり、欠損データの割合が非常に小さい場合にのみ許容される。それ以外の場合はMIが好ましいアプローチである。

限界と注意点

  • MARまたはMCAR仮定を必要とする。追加モデリングなしではMNAR欠損を修正できない。
  • 単一代入またはリストワイズ削除よりも計算負荷が高い、特にmが大きい場合やデータセットが大きい場合。
  • 代入済み値の品質は代入モデルに依存する――代入モデルから欠損値の強い予測因子を除外すると結果が偏る。
  • 欠損データの割合が高い場合(約50%超)、正しく指定されたMultiple Imputationでも信頼区間が広くなる可能性がある。

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

  • MAR下で、より強いMCAR仮定を必要とするリストワイズ削除とは異なり、偏りのない推定値が得られる。
  • Rubinのプール規則を通じて、欠損データからの不確実性を標準誤差と信頼区間に伝播させ、単一代入による偽の精度を回避する。
  • MICEフレームワーク内で、混合変数型(連続、二値、順序、名義)を処理する。
  • 意図した分析モデルへの変更を必要とせず、事実上あらゆる下流分析モデルと互換性がある。
  • 標準的な統計ソフトウェア(Rのmice、SPSSのMULTIPLE IMPUTATION、PythonのIterativeImputer / miceforest)で十分にサポートされている。

応用

  • 社会科学および保健科学における大規模調査データでの項目非回答の処理。
  • 追跡測定値が欠損している場合の臨床試験データの分析準備。
  • 参加者が時間とともに脱落する縦断研究およびパネル研究。
  • フィールドが不完全な管理記録を用いた計量経済学的モデリング。
  • 下流モデルが完全なデータを必要とするあらゆる分析パイプラインにおける前処理ステップ。

使い方

使い方

1

代入を行う前に、欠損パターンを検査して、メカニズムが完全にランダムに欠損(MCAR)またはランダムに欠損(MAR)であると妥当かどうかを評価する。MCARは、欠損の確率がいかなる観測値または未観測データにも依存しないことを意味する。MARは、観測値に依存する可能性があるが、未観測の欠損値自体には依存しないことを意味する。メカニズムがランダムに欠損ではない(MNAR)――値が欠損する確率がその値自体に依存する場合――単純なMultiple Imputationでは不十分であり、感度分析が必要となる。欠損データの割合は、必要な代入済みデータセットmの数を示唆する。一般的なガイドラインはm ≥ 100 × (欠損割合) である。

2

MICEアルゴリズムは、不完全な各変数を循環し、他のすべての変数(以前に代入された値を含む)からその変数を予測する回帰モデルを適合させる。このモデルの事後分布からの引き出しが、欠損項目を埋めるために使用される。サイクルはすべての不完全な変数に対して繰り返され、代入された分布が安定するまで――一般的に50回以上の反復――繰り返される。これにより1つの完了したデータセットが生成される。プロセス全体は、異なるランダムシードでm回ゼロから繰り返され、m個の独立に代入された完全なデータセットが得られる。代入モデル(予測平均マッチング、ロジスティック回帰、分類木など)の選択は、変数の型(連続、二値、順序、名義)に依存する。

3

m個の完了した各データセットは、研究者が元々意図していた任意の統計モデル――回帰、ANOVA、構造方程式モデリングなど――で分析される。このステップにより、m個のパラメータ推定値と標準誤差のセットが生成されるが、これらはm個のデータセットが欠損値の埋め方で異なるため、すべてわずかに異なる。

4

m個の推定値セットは、Rubinの規則を用いて単一のセットに結合される。プールされた点推定値は、m個の個々の推定値の算術平均である。プールされた分散には2つの成分がある:代入内分散(欠損がない場合に分析が与えたであろうもの)と代入間分散(欠損値を知らないことによる追加の不確実性)。代入間分散と全分散の比率は、欠損情報の割合であり、有用な診断値である。自由度はそれに応じて調整される。結果は、標本変動性と欠損データによる不確実性の両方を正直に反映する推定値と信頼区間の単一の表となる。

よくある落とし穴

  • mを低く設定しすぎること――一般的な経験則はm ≥ 5だが、無視できない欠損割合がある場合は、安定した再現可能な推定値を得るために、はるかに高いm(例:m ≥ 100 × 欠損割合)が必要である。
  • アウトカム変数または他の重要な予測因子を代入モデルから除外すると、偏った代入が生じる――代入モデルは分析モデルと同じくらいリッチでなければならない。
  • メカニズムがMNARである場合に、追加の感度分析なしでMultiple Imputationを適用すると、有効に見えるが実質的に偏った結果が得られる可能性がある。
  • Rubinの規則で結果をプールすることは、分析モデルがすべてのmデータセットで同じであること、およびMICEアルゴリズムの収束がチェックされていることを仮定する――代入された平均値と分散のトレースプロットを検査して収束を確認する。

よくある質問

いくつの代入済みデータセット(m)が必要ですか?

伝統的な最小値m = 5はしばしば低すぎる。広く引用されている実用的なガイドラインはm ≥ 100 × (欠損割合(パーセンテージで表される)) であり、10%の欠損は少なくともm = 10を、30%の欠損は少なくともm = 30を必要とする。より高いmは、プールされた推定値におけるモンテカルロ誤差を減らし、特に再現性にとって重要である。

MCAR、MAR、MNARの違いは何ですか?

MCAR(Missing Completely At Random)は、値が欠損する確率が、観測済みまたは未観測のデータとは無関係であることを意味する――データは純粋な偶然によって欠損している。MAR(Missing At Random)は、欠損の確率が観測値に依存する可能性があるが、未観測の欠損値自体には依存しないことを意味する――観測した値に条件付ければ、欠損はランダムである。MNAR(Missing Not At Random)は、欠損の確率が欠損値自体に依存することを意味する。Multiple ImputationはMCARおよびMAR下で有効である。MNAR下でも実行できるが、感度分析で補完する必要がある。

Multiple Imputationは実際のデータを作成しますか?

いいえ。Multiple Imputationは、欠損データ分布のモデルから引き出された妥当な値を作成する。これらは真の欠損値ではない。この手法の目的は、元のデータを復元することではなく、欠損によって導入された不確実性を適切に考慮した分析モデルの推定値と標準誤差を生成することである。

カテゴリ変数または順序変数でMultiple Imputationを使用できますか?

はい。MICEフレームワークは、各変数に対して型に適した条件付きモデルを適合させることにより、混合変数型を処理する。連続変数には予測平均マッチングまたは線形回帰、二値変数にはロジスティック回帰、名義変数または順序変数には多項ロジスティック回帰または順序回帰、そして柔軟な非パラメトリックオプションとして分類木および回帰木を使用する。各変数は、その型に適したモデルを使用して順番に代入される。

関連する手法

参考文献

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

    DOI 文献を開く
    コピーしました。
  2. van Buuren, S. & Groothuis-Oudshoorn, K. (2011). mice: Multivariate Imputation by Chained Equations in R. Journal of Statistical Software, 45(3), 1–67.

    出版物の文献を開く
    コピーしました。