Skip to content
Voltar aos resultados

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

Tamanho da fonte

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

1

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).

2

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.

3

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.

4

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

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

    Abrir referência DOI
    Copiado.
  2. 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 publicação
    Copiado.