Imputação Múltipla — MICE
- Proposto por
- Donald B. Rubin
- Ano
- 1987
- Tipo
- Missing-data handling procedure
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A Imputação Múltipla (IM), formalmente introduzida por Donald B. Rubin em 1987, é um procedimento estatístico fundamentado para lidar com dados ausentes.
Em vez de substituir cada valor ausente uma única vez, a IM preenche as lacunas m vezes — cada vez extraindo valores plausíveis da distribuição preditiva posterior dos dados ausentes — produzindo m conjuntos de dados completos. Cada conjunto de dados é analisado independentemente, e os resultados são combinados em um único conjunto de estimativas usando as regras de agregação de Rubin.
A intuição por trás do método
Pense nos valores ausentes como entradas em branco em uma pesquisa. Em vez de "chutar" uma vez e esperar o melhor, a imputação múltipla faz m "chutes" informados — cada um ligeiramente diferente, refletindo a incerteza genuína sobre qual poderia ter sido o valor verdadeiro. A dispersão entre esses "chutes" leva a incerteza para a análise, de modo que os erros padrão finais são honestos, em vez de artificialmente estreitos. Se você tivesse "chutado" apenas uma vez, teria fingido saber mais do que realmente sabia; ao "chutar" m vezes e combinar os resultados, a incerteza devido à ausência é preservada nas estimativas relatadas.
História
A estrutura estatística formal para imputação múltipla foi desenvolvida por Donald B. Rubin e apresentada em sua monografia de 1987, Multiple Imputation for Nonresponse in Surveys. Rubin derivou as regras de agregação — agora universalmente chamadas de regras de Rubin — que combinam estimativas entre conjuntos de dados imputados de uma forma que contabiliza adequadamente a incerteza introduzida pela ausência. A abordagem ganhou força prática com o desenvolvimento do algoritmo MICE, que estende a estrutura de Rubin para conjuntos de dados com variáveis de tipos mistos, imputando cada variável sequencialmente através de uma cadeia de modelos condicionais. A implementação de software marcante mice para R, publicada por van Buuren e Groothuis-Oudshoorn no Journal of Statistical Software em 2011, tornou o método acessível a pesquisadores aplicados em diversas áreas e estabeleceu o MICE como a estratégia de implementação dominante.
Quando usar
A imputação múltipla é apropriada quando um conjunto de dados possui valores ausentes e o mecanismo de ausência é plausivelmente MAR ou MCAR. Ela se aplica a variáveis contínuas, categóricas, binárias, ordinais e de tipo misto e se ajusta a estruturas de dados transversais, longitudinais e em painel. Um tamanho mínimo de amostra de aproximadamente 30 é necessário. O método é adequado para fins de pesquisa descritiva, preditiva e relacional. Quando a ausência é MNAR, a imputação múltipla padrão é insuficiente e deve ser complementada por uma análise de sensibilidade ou um modelo de seleção. A exclusão de casos completos (análise de casos completos) é aceitável apenas quando os dados são MCAR e a proporção de dados ausentes é muito pequena; caso contrário, a IM é a abordagem preferida.
Limitações e considerações
- Requer a suposição MAR ou MCAR; não pode corrigir a ausência MNAR sem modelagem adicional.
- Computacionalmente mais exigente do que a imputação única ou a exclusão de casos completos, especialmente com m grande ou grandes conjuntos de dados.
- A qualidade dos valores imputados depende do modelo de imputação — omitir preditores fortes de ausência do modelo de imputação vicia os resultados.
- Com altas frações de dados ausentes (acima de ~50%), mesmo a imputação múltipla corretamente especificada pode produzir intervalos de confiança amplos.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Produz estimativas não viesadas sob MAR, ao contrário da exclusão de casos completos que requer a suposição mais forte de MCAR.
- Propaga a incerteza dos dados ausentes para os erros padrão e intervalos de confiança através das regras de agregação de Rubin, evitando a falsa precisão da imputação única.
- Lida com tipos de variáveis mistas — contínuas, binárias, ordinais, nominais — dentro da mesma estrutura MICE.
- Compatível com praticamente qualquer modelo de análise subsequente, não exigindo modificação da análise pretendida.
- Bem suportado em softwares estatísticos padrão (R mice, SPSS MULTIPLE IMPUTATION, Python IterativeImputer / miceforest).
Aplicações
- Lidar com a não resposta a itens em grandes conjuntos de dados de pesquisa nas ciências sociais e da saúde.
- Preparar dados de ensaios clínicos para análise quando as medições de acompanhamento estão ausentes.
- Estudos longitudinais e em painel onde os participantes desistem ao longo do tempo.
- Modelagem econométrica com registros administrativos que possuem campos incompletos.
- Etapa de pré-processamento em qualquer pipeline de análise onde os modelos subsequentes exigem dados completos.
Como funciona
Como funciona
Antes de imputar, o padrão de ausência é examinado para avaliar se o mecanismo é plausivelmente Ausente Completamente Ao Acaso (MCAR) ou Ausente Ao Acaso (MAR). MCAR significa que a probabilidade de ausência não depende de nenhum dado observado ou não observado. MAR significa que pode depender de valores observados, mas não dos próprios valores ausentes não observados. Se o mecanismo for Ausente Não Ao Acaso (MNAR) — onde a probabilidade de um valor estar ausente depende do próprio valor — a imputação múltipla simples não é suficiente e uma análise de sensibilidade é necessária. A fração de dados ausentes informa quantos conjuntos de dados imputados m são necessários; uma diretriz comum é m ≥ 100 × (fração ausente).
O algoritmo MICE (Multivariate Imputation by Chained Equations), popularizado por van Buuren e Groothuis-Oudshoorn (2011), estende a abordagem para tipos de variáveis mistas, imputando cada variável por sua vez através de uma sequência de modelos de regressão condicional. O algoritmo MICE percorre cada variável incompleta e ajusta um modelo de regressão prevendo essa variável a partir de todas as outras (incluindo valores previamente imputados). Uma amostra da posterior deste modelo é usada para preencher as entradas ausentes. O ciclo se repete para todas as variáveis incompletas e é iterado até que as distribuições imputadas se estabilizem — comumente 50 ou mais iterações. Isso produz um conjunto de dados completo. Todo o processo é repetido do zero m vezes com diferentes sementes aleatórias, produzindo m conjuntos de dados completos imputados independentemente. A escolha do modelo de imputação (correspondência de média preditiva, regressão logística, árvores de classificação, etc.) depende do tipo de variável: contínua, binária, ordinal ou nominal.
Cada um dos m conjuntos de dados completos é analisado com qualquer modelo estatístico que o pesquisador originalmente pretendia — regressão, ANOVA, modelagem de equações estruturais, e assim por diante. Esta etapa produz m conjuntos de estimativas de parâmetros e erros padrão, todos ligeiramente diferentes porque os m conjuntos de dados diferem na forma como os valores ausentes foram preenchidos.
Os m conjuntos de estimativas são combinados em um único conjunto usando as regras de Rubin. A estimativa pontual agregada é a média aritmética das m estimativas individuais. A variância agregada tem dois componentes: a média da variância dentro da imputação (o que a análise teria dado sem ausência) e a variância entre as imputações (a incerteza extra por não conhecer os valores ausentes). A razão entre a variância entre as imputações e a variância total é a fração de informação ausente, um diagnóstico útil. Os graus de liberdade são ajustados de acordo. O resultado é uma única tabela de estimativas e intervalos de confiança que reflete honestamente tanto a variabilidade amostral quanto a incerteza devido aos dados ausentes.
Erros comuns
- Definir m muito baixo — uma regra prática comum é m ≥ 5, mas com frações de ausência não triviais, um m muito maior (por exemplo, m ≥ 100 × fração ausente) é necessário para obter estimativas estáveis e reproduzíveis.
- Omitir a variável de resultado ou outros preditores importantes do modelo de imputação produz imputações viesadas; o modelo de imputação deve ser pelo menos tão rico quanto o modelo de análise.
- Aplicar imputação múltipla quando o mecanismo é MNAR sem uma análise de sensibilidade suplementar fornece resultados que parecem válidos, mas podem ser substancialmente viesados.
- A agregação de resultados com as regras de Rubin assume que o modelo de análise é o mesmo para todos os m conjuntos de dados e que a convergência do algoritmo MICE foi verificada — inspecione os gráficos de rastreamento das médias e variâncias imputadas para verificar a convergência.
Perguntas frequentes
Quantos conjuntos de dados imputados (m) eu preciso?
O mínimo tradicional de m = 5 é frequentemente muito baixo. Uma diretriz prática amplamente citada é m ≥ 100 × (fração de dados ausentes expressa em porcentagem), de modo que 10% de ausência exige pelo menos m = 10 e 30% de ausência exige pelo menos m = 30. Um m maior reduz o erro de Monte Carlo nas estimativas agregadas e é especialmente importante para a reprodutibilidade.
Qual é a diferença entre MCAR, MAR e MNAR?
MCAR (Missing Completely At Random - Ausente Completamente Ao Acaso) significa que a probabilidade de um valor estar ausente não está relacionada a nenhum dado, observado ou não observado — os dados estão ausentes puramente por acaso. MAR (Missing At Random - Ausente Ao Acaso) significa que a probabilidade de ausência pode depender de valores observados, mas não do próprio valor ausente não observado — uma vez que você condiciona o que observou, a ausência é aleatória. MNAR (Missing Not At Random - Ausente Não Ao Acaso) significa que a probabilidade de ausência depende do próprio valor ausente. A imputação múltipla é válida sob MCAR e MAR; sob MNAR ainda pode ser executada, mas deve ser complementada por uma análise de sensibilidade.
A imputação múltipla cria dados reais?
Não. A imputação múltipla cria valores plausíveis extraídos de um modelo da distribuição de dados ausentes; estes não são os verdadeiros valores ausentes. O propósito do método não é recuperar os dados originais, mas produzir estimativas e erros padrão para o modelo de análise que contabilizam corretamente a incerteza introduzida pela ausência.
Posso usar imputação múltipla com variáveis categóricas ou ordinais?
Sim. A estrutura MICE lida com tipos de variáveis mistas ajustando um modelo condicional apropriado ao tipo para cada variável: correspondência de média preditiva ou regressão linear para variáveis contínuas, regressão logística para variáveis binárias, regressão logística politômica ou regressão ordinal para variáveis nominais ou ordinais, e árvores de classificação e regressão como uma opção não paramétrica flexível. Cada variável é imputada por sua vez usando os modelos apropriados ao seu tipo.
Métodos relacionados
Fontes
Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley.
Abrir referência DOICopiado.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 da publicaçãoCopiado.