Przejdź do treści
Wróć do wyników wyszukiwania

MICE — Wielokrotna Imputacja Równaniami Łańcuchowymi

Autor metody
Stef van Buuren & Karin Groothuis-Oudshoorn
Rok
2011
Typ
Iterative multiple imputation algorithm
Rodzina
Missing data

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Wielokrotna Imputacja Równaniami Łańcuchowymi (MICE) to iteracyjna procedura postępowania z brakującymi danymi w wielowymiarowych zbiorach danych.

Algorytm, wprowadzony przez Stef van Buurena i Karin Groothuis-Oudshoorn za pomocą pakietu R mice (2011), wypełnia każdą brakującą zmienną za pomocą oddzielnego modelu regresji uwarunkowanego na wszystkie inne zmienne, cyklicznie przechodząc przez zmienne wielokrotnie, aż do zbieżności imputowanych wartości. Wynikiem jest m uzupełnionych zbiorów danych, które są analizowane oddzielnie i łączone za pomocą reguł Rubina.

Intuicja stojąca za metodą

Wyobraź sobie częściowo wypełnioną krzyżówkę: każde puste słowo jest wypełniane przez spojrzenie na już obecne przecinające się litery. Jeśli nowo wypełnione słowo ujawnia więcej liter, wracasz do wcześniejszych pustych miejsc z nowymi informacjami. MICE działa w ten sam sposób — wypełnia jedną brakującą kolumnę naraz, używając wszystkich innych kolumn jako wskazówek, a następnie ponownie przechodzi przez każdą kolumnę, iterując, aż odpowiedzi ustabilizują się w wielu kandydackich krzyżówkach.

Historia

Konceptualne podstawy imputacji równaniami łańcuchowymi wyłoniły się we wczesnych latach 90. XX wieku z prac van Buurena, Boshuizena i Knooka nad niekompletnymi danymi z badań zdrowotnych. Ramy Fully Conditional Specification zostały sformalizowane w latach 2000., a van Buuren i Groothuis-Oudshoorn wydali pakiet R mice w 2011 roku wraz z obszernym artykułem metodologicznym w Journal of Statistical Software, który stał się kanonicznym odniesieniem z dziesiątkami tysięcy cytowań.

Kiedy stosować

MICE jest odpowiednie, gdy dane są brakujące losowo (MAR) i brak danych występuje jednocześnie w wielu zmiennych. Nadaje się do zmiennych ciągłych, binarnych, porządkowych i licznikowych dzięki elastycznej specyfikacji modelu dla każdej zmiennej. Jest mniej odpowiednie dla danych brakujących nie losowo (MNAR) bez dodatkowego modelowania, dla zbiorów danych o bardzo wysokiej wymiarowości, gdzie model imputacji staje się nieporęczny, lub gdy wskaźniki braków przekraczają 50% w kluczowych zmiennych. Pojedyncza imputacja lub analiza kompletnych przypadków może być wystarczająca w przypadku MCAR z niskimi wskaźnikami braków.

Ograniczenia i uwagi

  • Zakłada, że dane są brakujące losowo (MAR); naruszenia wymagają analiz wrażliwości lub rozszerzeń opartych na wzorcach (pattern-mixture)
  • Koszt obliczeniowy rośnie wraz z liczbą zmiennych, iteracji i imputacji (m)
  • Zbieżność próbnika typu Gibbsa nie jest gwarantowana matematycznie dla niezgodnych modeli warunkowych
  • Specyfikacja modelu (wybór predyktorów, metoda imputacji dla każdej zmiennej) wymaga starannego osądu analityka

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Obsługuje mieszane typy zmiennych (ciągłe, binarne, porządkowe, licznikowe) za pomocą dostosowanych modeli dla każdej kolumny
  • Poprawnie propaguje niepewność poprzez wielokrotne imputowane zbiory danych i reguły łączenia Rubina
  • Elastyczna specyfikacja predyktorów pozwala na wykorzystanie wiedzy dziedzinowej i zmiennych pomocniczych w celu poprawy jakości imputacji
  • Dobrze zweryfikowana implementacja w R (pakiet mice) z obszernymi diagnostykami i aktywnym utrzymaniem

Zastosowania

  • Badania kliniczne i epidemiologiczne kohortowe z okresowymi pomiarami kontrolnymi
  • Harmonizacja danych ankietowych, gdzie różne moduły kwestionariusza dają różne wzorce braków
  • Potoki przetwarzania wstępnego uczenia maszynowego wymagające kompletnych macierzy cech przed trenowaniem modelu
  • Badania w dziedzinie ekonomiki zdrowia i polityki łączące dane administracyjne z danymi samoopisowymi z kwestionariuszy
  • Długoterminowe oceny edukacyjne z brakiem odpowiedzi na pozycje w wielu falach testów

Jak to działa

Jak to działa

1

Zanim rozpocznie się jakiekolwiek cykliczne przechodzenie, MICE zastępuje wszystkie brakujące wartości szybkim wypełniaczem — zazwyczaj średnią z zaobserwowanych wartości dla zmiennych ciągłych lub modą dla zmiennych kategorycznych. To początkowe wypełnienie zapewnia, że każda zmienna ma co najmniej kilka wartości dostępnych jako predyktory, gdy rozpoczyna się pierwszy cykl imputacji.

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

Dla każdej zmiennej j z brakującymi wpisami, MICE dopasowuje model odpowiedni dla predyktora (regresja liniowa, regresja logistyczna, dopasowanie średniej predykcyjnej itp.) przy użyciu wszystkich innych zmiennych X_{-j} jako kowariantów. Brakujące wartości X_j są następnie losowane z tylnego rozkładu predykcyjnego tego modelu, więc imputowane wartości odzwierciedlają zarówno dopasowaną zależność, jak i niepewność parametrów.

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

Po jednokrotnej imputacji wszystkich p zmiennych, jeden pełny cykl jest zakończony. MICE powtarza cykl — aktualizując model imputacji każdej zmiennej o nowo imputowane wartości jej kowariantów — przez zdefiniowaną przez użytkownika liczbę iteracji (zazwyczaj 5–20). Zbieżność jest monitorowana poprzez inspekcję wykresów śladów (trace plots) średnich i odchyleń standardowych imputowanych wartości w kolejnych iteracjach.

Wzór
\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

Cała procedura (inicjalizacja + cykliczne przechodzenie) jest powtarzana m razy niezależnie, aby wyprodukować m uzupełnionych zbiorów danych. Każdy zbiór danych jest analizowany przy użyciu zamierzonej metody statystycznej, dając m estymatorów punktowych i błędów standardowych. Reguły łączenia Rubina następnie łączą je w jedną estymację i całkowitą wariancję T, która poprawnie propaguje niepewność zarówno wewnątrz imputacji, jak i między imputacjami.

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

Częste pułapki

  • Użycie zbyt małej liczby imputowanych zbiorów danych (m < 5) zaniża błędy standardowe i zwiększa wskaźniki fałszywie pozytywnych wyników
  • Włączenie zmiennej wynikowej do modelu imputacji jest kluczowe; pominięcie jej zniekształca współczynniki regresji w kierunku zera
  • Ignorowanie wyrazów interakcyjnych lub zależności nieliniowych w modelu imputacji może zniekształcić analizy wtórne
  • Niesprawdzenie zbieżności za pomocą wykresów śladów może prowadzić do łączenia wyników z nie-zbieżnych łańcuchów

Najczęściej zadawane pytania

Ile imputowanych zbiorów danych (m) powinienem utworzyć?

Często stosowanym domyślnym ustawieniem jest m = 5, wystarczającym, gdy wskaźniki braków są niskie. White, Royston i Wood (2011) zalecają ustawienie m w przybliżeniu równego procentowi niekompletnych przypadków. Dla wskaźników braków powyżej 20–30% zaleca się m = 20 lub więcej, aby ustabilizować połączone estymacje i błędy standardowe.

Czy MICE może obsługiwać dane brakujące nie losowo (MNAR)?

Standardowe MICE zakłada MAR. W przypadku MNAR model imputacji jest błędnie określony, co może zniekształcić wyniki. Analitycy powinni przeprowadzić analizy wrażliwości — na przykład, używając metod delta-adjustment lub pattern-mixture models — aby ocenić, jak wyniki zmieniają się pod wpływem prawdopodobnych odejść od założenia MAR w kierunku MNAR.

Jaką metodę imputacji powinienem wybrać dla każdej zmiennej?

Pakiet mice wybiera domyślne ustawienia w zależności od klasy zmiennej: dopasowanie średniej predykcyjnej (pmm) dla zmiennych ciągłych, regresja logistyczna dla zmiennych binarnych, regresja politomiczna dla zmiennych kategorycznych nieuporządkowanych i proporcjonalne szanse dla zmiennych porządkowych. Te domyślne ustawienia dobrze sprawdzają się w większości zastosowań, ale analitycy mogą zastąpić je lasami losowymi lub innymi elastycznymi algorytmami uczenia dla złożonych rozkładów.

Pokrewne metody

Źródła

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

    Otwórz odnośnik DOI
    Skopiowano.