Skip to content
Voltar aos resultados

MICE — Imputação Multivariada por Equações Encadeadas

Proposto por
Stef van Buuren & Karin Groothuis-Oudshoorn
Ano
2011
Tipo
Iterative multiple imputation algorithm
Família
Missing data

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Imputação Multivariada por Equações Encadeadas (MICE) é um procedimento iterativo para lidar com dados faltantes em conjuntos de dados multivariados.

Introduzido por Stef van Buuren e Karin Groothuis-Oudshoorn através do pacote R mice (2011), o algoritmo preenche cada variável ausente usando um modelo de regressão separado condicionado a todas as outras variáveis, ciclando através das variáveis repetidamente até que os valores imputados convirjam. O resultado são m conjuntos de dados completos que são analisados separadamente e combinados usando as regras de Rubin.

A intuição por trás do método

Imagine um quebra-cabeça parcialmente preenchido: cada palavra em branco é preenchida observando as letras cruzadas já presentes. Se uma palavra recém-preenchida revela mais letras, você revisita os espaços em branco anteriores com as novas informações. MICE funciona da mesma maneira — preenche uma coluna ausente por vez usando todas as outras colunas como pistas, depois revisita todas as colunas novamente, iterando até que as respostas se estabilizem em vários quebra-cabeças candidatos.

História

A base conceitual da imputação por equações encadeadas surgiu no início dos anos 1990 a partir do trabalho de van Buuren, Boshuizen e Knook em dados de pesquisa de saúde incompletos. A estrutura de Especificação Condicional Total foi formalizada ao longo dos anos 2000, com van Buuren e Groothuis-Oudshoorn lançando o pacote R mice em 2011 juntamente com um artigo metodológico abrangente no Journal of Statistical Software, que se tornou a referência canônica com dezenas de milhares de citações.

Quando usar

MICE é apropriado quando os dados estão faltando aleatoriamente (MAR) e a falta de dados ocorre em múltiplas variáveis simultaneamente. Ele se adequa a resultados contínuos, binários, ordinais e de contagem através de sua especificação flexível de modelo por variável. É menos adequado para dados faltando não aleatoriamente (MNAR) sem modelagem auxiliar, para conjuntos de dados de alta dimensionalidade onde o modelo de imputação se torna complexo, ou quando as taxas de falta de dados excedem 50% em variáveis chave. Imputação única ou análise de casos completos podem ser suficientes sob MCAR com baixas taxas de falta de dados.

Limitações e considerações

  • Assume que os dados estão faltando aleatoriamente (MAR); violações requerem análises de sensibilidade ou extensões de padrões de mistura
  • O custo computacional cresce com o número de variáveis, iterações e imputações (m)
  • A convergência do amostrador tipo Gibbs não é garantida matematicamente para modelos condicionais incompatíveis
  • A especificação do modelo (seleção de preditores, método de imputação por variável) requer julgamento cuidadoso do analista

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Lida com tipos mistos de variáveis (contínuas, binárias, ordinais, contagem) através de modelos personalizados por coluna
  • Propaga adequadamente a incerteza através de múltiplos conjuntos de dados imputados e regras de pooling de Rubin
  • A especificação flexível de preditores permite que o conhecimento do domínio e variáveis auxiliares melhorem a qualidade da imputação
  • Implementação R bem validada (pacote mice) com diagnósticos extensivos e manutenção ativa

Aplicações

  • Ensaios clínicos e estudos de coorte epidemiológicos com medições de acompanhamento intermitentes
  • Harmonização de dados de pesquisa onde diferentes módulos de questionário produzem diferentes padrões de falta de dados
  • Pipelines de pré-processamento de aprendizado de máquina que exigem matrizes de características completas antes do treinamento do modelo
  • Pesquisa em economia da saúde e políticas públicas combinando registros administrativos com dados de questionário autorrelatados
  • Avaliações educacionais longitudinais com não resposta a itens em múltiplas ondas de teste

Como funciona

Como funciona

1

Antes que qualquer ciclo comece, MICE substitui todos os valores ausentes por um marcador temporário rápido — tipicamente a média da coluna observada para variáveis contínuas ou a moda para variáveis categóricas. Este preenchimento inicial garante que cada variável tenha pelo menos alguns valores disponíveis como preditores quando o primeiro ciclo de imputação começar.

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

Para cada variável j com entradas ausentes, MICE ajusta um modelo apropriado para o preditor (regressão linear, regressão logística, pareamento preditivo de médias, etc.) usando todas as outras variáveis X_{-j} como covariáveis. Os valores ausentes de X_j são então extraídos da distribuição preditiva posterior desse modelo, de modo que os valores imputados reflitam tanto a relação ajustada quanto a incerteza do parâmetro.

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

Após imputar todas as p variáveis uma vez, um ciclo completo é concluído. MICE repete o ciclo — atualizando o modelo de imputação de cada variável com os valores recém-imputados de seus covariáveis — por um número de iterações definido pelo usuário (tipicamente 5–20). A convergência é monitorada inspecionando gráficos de traço das médias e desvios padrão imputados ao longo das iterações.

Fórmula
\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

O procedimento completo (inicialização + ciclos) é repetido m vezes independentemente para produzir m conjuntos de dados completos. Cada conjunto de dados é analisado com o método estatístico pretendido, gerando m estimativas pontuais e erros padrão. As regras de combinação de Rubin então as unem em uma única estimativa e uma variância total T que propaga corretamente a incerteza dentro e entre imputações.

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

Erros comuns

  • Usar poucos conjuntos de dados imputados (m < 5) subestima os erros padrão e inflaciona as taxas de falsos positivos
  • Incluir a variável de resultado no modelo de imputação é essencial; omiti-la enviesa os coeficientes de regressão para zero
  • Ignorar termos de interação ou relações não lineares no modelo de imputação pode distorcer análises subsequentes
  • Falhar em verificar a convergência através de gráficos de traço pode levar ao pooling de resultados de cadeias não convergidas

Perguntas frequentes

Quantos conjuntos de dados imputados (m) devo criar?

Um padrão comum é m = 5, suficiente quando as taxas de falta de dados são baixas. White, Royston e Wood (2011) recomendam definir m aproximadamente igual à porcentagem de casos incompletos. Para taxas de falta de dados acima de 20–30%, m = 20 ou mais é aconselhável para estabilizar as estimativas agrupadas e os erros padrão.

O MICE pode lidar com dados que não estão faltando aleatoriamente (MNAR)?

O MICE padrão assume MAR. Sob MNAR, o modelo de imputação é mal especificado, potencialmente enviesando os resultados. Os analistas devem realizar análises de sensibilidade — por exemplo, usando ajuste delta ou modelos de padrões de mistura — para avaliar como os resultados mudam sob desvios plausíveis de MNAR da suposição MAR.

Qual método de imputação devo escolher para cada variável?

O pacote mice seleciona padrões com base na classe da variável: pareamento preditivo de médias (pmm) para variáveis contínuas, regressão logística para binárias, regressão politômica para fatores não ordenados e odds proporcionais para fatores ordenados. Esses padrões funcionam bem na maioria dos cenários aplicados, mas os analistas podem substituir florestas aleatórias ou outros aprendizes flexíveis para distribuições complexas.

Métodos relacionados

Fontes

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

    Abrir referência DOI
    Copiado.