Skip to content
กลับไปยังผลการค้นหา

Multiple Imputation — MICE

ผู้เสนอ
Donald B. Rubin
ปี
1987
ประเภท
Missing-data handling procedure

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

Multiple Imputation (MI) หรือ การแทนค่าหลายครั้ง เป็นกระบวนการทางสถิติที่มีหลักการในการจัดการข้อมูลที่ขาดหายไป ซึ่งถูกนำเสนออย่างเป็นทางการโดย Donald B. Rubin ในปี 1987 แทนที่จะแทนที่ค่าที่ขาดหายไปแต่ละค่าเพียงครั้งเดียว MI จะเติมช่องว่างเหล่านั้นเป็นจำนวน m ครั้ง โดยแต่ละครั้งจะสุ่มค่าที่เป็นไปได้จาก posterior predictive distribution ของข้อมูลที่ขาดหายไป ทำให้ได้ชุดข้อมูลที่สมบูรณ์ m ชุด แต่ละชุดจะถูกวิเคราะห์อย่างอิสระ และผลลัพธ์จะถูกรวมเข้าด้วยกันเป็นชุดประมาณการเดียวโดยใช้ Rubin's pooling rules รูปแบบ MICE (Multivariate Imputation by Chained Equations) ซึ่งได้รับความนิยมโดย van Buuren และ Groothuis-Oudshoorn (2011) ขยายแนวทางนี้ไปยังตัวแปรประเภทผสม โดยการแทนค่าแต่ละตัวแปรตามลำดับผ่านชุดของแบบจำลองการถดถอยแบบมีเงื่อนไข

แนวคิดเบื้องหลังวิธีการ

ลองนึกถึงค่าที่ขาดหายไปเหมือนช่องว่างในแบบสำรวจ แทนที่จะเดาเพียงครั้งเดียวและหวังว่าจะได้ผลดีที่สุด การแทนค่าหลายครั้งจะทำการเดาอย่างมีการศึกษาจำนวน m ครั้ง โดยแต่ละครั้งจะแตกต่างกันเล็กน้อย สะท้อนถึงความไม่แน่นอนที่แท้จริงเกี่ยวกับค่าที่ถูกต้องที่ควรจะเป็น การกระจายของค่าที่เดาเหล่านั้นจะนำพาความไม่แน่นอนไปสู่การวิเคราะห์ ดังนั้น standard errors สุดท้ายจึงมีความน่าเชื่อถือ แทนที่จะแคบลงอย่างผิดธรรมชาติ หากคุณเดาเพียงครั้งเดียว คุณจะแสร้งทำเป็นรู้มากกว่าที่คุณเป็นจริง ๆ การเดา m ครั้งและรวมผลลัพธ์ จะรักษาความไม่แน่นอนที่เกิดจากการขาดหายไปไว้ในค่าประมาณที่รายงาน

ประวัติศาสตร์

กรอบการทำงานทางสถิติอย่างเป็นทางการสำหรับการแทนค่าหลายครั้งได้รับการพัฒนาโดย Donald B. Rubin และนำเสนอในหนังสือของเขาปี 1987 เรื่อง Multiple Imputation for Nonresponse in Surveys Rubin ได้กำหนดกฎการรวมผลลัพธ์ (pooling rules) ซึ่งปัจจุบันเรียกว่า Rubin's rules ที่รวมค่าประมาณจากชุดข้อมูลที่ถูกแทนที่แล้วในลักษณะที่คำนึงถึงความไม่แน่นอนที่เกิดจากการขาดหายไปได้อย่างถูกต้อง แนวทางนี้ได้รับความนิยมในทางปฏิบัติด้วยการพัฒนาอัลกอริทึม MICE ซึ่งขยายกรอบการทำงานของ Rubin ไปยังชุดข้อมูลที่มีตัวแปรประเภทผสม โดยการแทนค่าแต่ละตัวแปรตามลำดับผ่านชุดของแบบจำลองแบบมีเงื่อนไข การใช้งานซอฟต์แวร์ที่สำคัญคือ mice สำหรับ R ซึ่งเผยแพร่โดย van Buuren และ Groothuis-Oudshoorn ใน Journal of Statistical Software ในปี 2011 ทำให้วิธีนี้เข้าถึงได้สำหรับนักวิจัยประยุกต์ในหลากหลายสาขา และทำให้ MICE กลายเป็นกลยุทธ์การนำไปใช้ที่โดดเด่น

ควรใช้เมื่อใด

การแทนค่าหลายครั้ง (Multiple Imputation) เหมาะสมเมื่อชุดข้อมูลมีค่าที่ขาดหายไป และกลไกการขาดหายไปนั้นเป็นไปได้ว่าเป็น MAR หรือ MCAR สามารถใช้ได้กับตัวแปรต่อเนื่อง, หมวดหมู่, ทวิภาค, เรียงลำดับ และประเภทผสม และเหมาะกับโครงสร้างข้อมูลแบบ cross-sectional, longitudinal และ panel จำเป็นต้องมีขนาดตัวอย่างขั้นต่ำประมาณ 30 วิธีนี้เหมาะสำหรับวัตถุประสงค์การวิจัยเชิงพรรณนา, เชิงทำนาย และเชิงความสัมพันธ์ เมื่อการขาดหายไปเป็น MNAR การแทนค่าหลายครั้งแบบมาตรฐานจะไม่เพียงพอ และต้องเสริมด้วยการวิเคราะห์ความไว หรือแบบจำลองการเลือก (selection model) การลบรายการทั้งหมด (listwise deletion หรือ complete-case analysis) จะยอมรับได้ก็ต่อเมื่อข้อมูลเป็น MCAR และสัดส่วนของข้อมูลที่ขาดหายไปมีน้อยมาก มิฉะนั้น MI จะเป็นแนวทางที่ต้องการ

ข้อจำกัดและข้อควรพิจารณา

  • ต้องการสมมติฐาน MAR หรือ MCAR ไม่สามารถแก้ไขการขาดหายไปแบบ MNAR ได้หากไม่มีแบบจำลองเพิ่มเติม
  • มีความต้องการทรัพยากรในการคำนวณมากกว่าการแทนค่าครั้งเดียวหรือการลบรายการทั้งหมด โดยเฉพาะอย่างยิ่งเมื่อ m มีค่ามากหรือชุดข้อมูลมีขนาดใหญ่
  • คุณภาพของค่าที่ถูกแทนที่ขึ้นอยู่กับแบบจำลองการแทนค่า — การละเว้นตัวทำนายที่สำคัญของการขาดหายไปจากแบบจำลองการแทนค่าจะทำให้ผลลัพธ์เอนเอียง
  • เมื่อสัดส่วนข้อมูลที่ขาดหายไปสูง (มากกว่า ~50%) แม้แต่การแทนค่าหลายครั้งที่ระบุอย่างถูกต้องก็อาจให้ช่วงความเชื่อมั่นที่กว้าง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ให้ค่าประมาณที่ไม่เอนเอียงภายใต้ MAR ซึ่งแตกต่างจากการลบรายการทั้งหมดที่ต้องการสมมติฐานที่แข็งแกร่งกว่าคือ MCAR
  • เผยแพร่ความไม่แน่นอนจากข้อมูลที่ขาดหายไปไปยัง standard errors และช่วงความเชื่อมั่นผ่าน Rubin's pooling rules หลีกเลี่ยงความแม่นยำที่ผิดพลาดของการแทนค่าครั้งเดียว
  • จัดการกับตัวแปรประเภทผสม — ต่อเนื่อง, ทวิภาค, เรียงลำดับ, นามบัญญัติ — ภายในกรอบ MICE เดียวกัน
  • เข้ากันได้กับแบบจำลองการวิเคราะห์ปลายทางเกือบทุกประเภท ไม่จำเป็นต้องปรับเปลี่ยนการวิเคราะห์ที่ตั้งใจไว้
  • ได้รับการสนับสนุนอย่างดีในซอฟต์แวร์ทางสถิติมาตรฐาน (R mice, SPSS MULTIPLE IMPUTATION, Python IterativeImputer / miceforest)

การประยุกต์ใช้

  • การจัดการกับการตอบสนองที่ไม่ครบถ้วน (item non-response) ในชุดข้อมูลสำรวจขนาดใหญ่ในสาขาสังคมศาสตร์และวิทยาศาสตร์สุขภาพ
  • การเตรียมข้อมูลการทดลองทางคลินิกสำหรับการวิเคราะห์เมื่อการวัดผลติดตามขาดหายไป
  • การศึกษาแบบ longitudinal และ panel ที่ผู้เข้าร่วมถอนตัวไปตามกาลเวลา
  • การสร้างแบบจำลองเศรษฐมิติด้วยข้อมูลบันทึกทางปกครองที่มีฟิลด์ไม่สมบูรณ์
  • ขั้นตอนการประมวลผลล่วงหน้าในไปป์ไลน์การวิเคราะห์ใด ๆ ที่แบบจำลองปลายทางต้องการข้อมูลที่สมบูรณ์

วิธีการทำงาน

วิธีการทำงาน

1

ก่อนทำการแทนค่า จะมีการตรวจสอบรูปแบบการขาดหายไปเพื่อประเมินว่ากลไกนั้นเป็น Missing Completely At Random (MCAR) หรือ Missing At Random (MAR) หรือไม่ MCAR หมายความว่าความน่าจะเป็นของการขาดหายไปไม่ขึ้นอยู่กับข้อมูลที่สังเกตได้หรือข้อมูลที่ไม่ได้สังเกตใด ๆ MAR หมายความว่าอาจขึ้นอยู่กับค่าที่สังเกตได้ แต่ไม่ขึ้นอยู่กับค่าที่ขาดหายไปที่ไม่ได้สังเกตด้วยตนเอง หากกลไกเป็น Missing Not At Random (MNAR) ซึ่งความน่าจะเป็นที่ค่าหนึ่งจะขาดหายไปนั้นขึ้นอยู่กับค่าของมันเอง การแทนค่าหลายครั้งแบบง่าย ๆ จะไม่เพียงพอ และจำเป็นต้องมีการวิเคราะห์ความไว (sensitivity analysis) สัดส่วนของข้อมูลที่ขาดหายไปจะบ่งบอกว่าต้องใช้ชุดข้อมูลที่แทนค่าแล้วจำนวน m เท่าใด แนวทางทั่วไปคือ m ≥ 100 × (สัดส่วนข้อมูลที่ขาดหายไป)

2

อัลกอริทึม MICE จะวนซ้ำผ่านตัวแปรที่ยังไม่สมบูรณ์แต่ละตัว และปรับแบบจำลองการถดถอยที่ทำนายตัวแปรนั้นจากตัวแปรอื่น ๆ ทั้งหมด (รวมถึงค่าที่ถูกแทนที่ไปก่อนหน้านี้) การสุ่มจาก posterior ของแบบจำลองนี้จะใช้เพื่อเติมข้อมูลในช่องว่างที่ขาดหายไป วงจรจะทำซ้ำสำหรับตัวแปรที่ยังไม่สมบูรณ์ทั้งหมด และทำซ้ำจนกว่าการกระจายของค่าที่แทนที่แล้วจะคงที่ ซึ่งโดยทั่วไปคือ 50 ครั้งขึ้นไป นี่คือการสร้างชุดข้อมูลที่สมบูรณ์หนึ่งชุด กระบวนการทั้งหมดจะถูกทำซ้ำตั้งแต่ต้น m ครั้ง โดยใช้ random seeds ที่แตกต่างกัน ทำให้ได้ชุดข้อมูลที่สมบูรณ์ที่ถูกแทนที่แล้ว m ชุดอย่างอิสระ การเลือกแบบจำลองการแทนค่า (predictive mean matching, logistic regression, classification trees ฯลฯ) ขึ้นอยู่กับประเภทของตัวแปร: ต่อเนื่อง, ทวิภาค, เรียงลำดับ, หรือนามบัญญัติ

3

ชุดข้อมูลที่สมบูรณ์ m ชุดแต่ละชุดจะถูกวิเคราะห์ด้วยแบบจำลองทางสถิติใดก็ตามที่นักวิจัยตั้งใจไว้แต่เดิม เช่น regression, ANOVA, structural equation modelling และอื่น ๆ ขั้นตอนนี้จะสร้างชุดประมาณการพารามิเตอร์และ standard errors m ชุด ซึ่งแต่ละชุดจะแตกต่างกันเล็กน้อยเนื่องจากชุดข้อมูล m ชุดมีความแตกต่างกันในวิธีการเติมค่าที่ขาดหายไป

4

ชุดประมาณการ m ชุดจะถูกรวมเข้าด้วยกันเป็นชุดเดียวโดยใช้ Rubin's rules ค่าประมาณจุดที่รวมกัน (pooled point estimate) คือค่าเฉลี่ยเลขคณิตของประมาณการรายบุคคล m ค่า ความแปรปรวนที่รวมกัน (pooled variance) มีสองส่วนประกอบ: ค่าเฉลี่ยความแปรปรวนภายในชุดที่แทนค่า (สิ่งที่การวิเคราะห์จะให้หากไม่มีข้อมูลขาดหาย) และความแปรปรวนระหว่างชุดที่แทนค่า (ความไม่แน่นอนเพิ่มเติมจากการไม่ทราบค่าที่ขาดหาย) อัตราส่วนของความแปรปรวนระหว่างชุดต่อความแปรปรวนทั้งหมดคือสัดส่วนของข้อมูลที่ขาดหายไป ซึ่งเป็นตัวบ่งชี้ที่มีประโยชน์ องศาความเป็นอิสระ (Degrees of freedom) จะถูกปรับตามนั้น ผลลัพธ์คือตารางเดียวของค่าประมาณและช่วงความเชื่อมั่นที่สะท้อนถึงความแปรปรวนจากการสุ่มและความไม่แน่นอนที่เกิดจากข้อมูลที่ขาดหายไปอย่างแท้จริง

ข้อผิดพลาดที่พบบ่อย

  • การตั้งค่า m ต่ำเกินไป — กฎทั่วไปที่ใช้กันคือ m ≥ 5 แต่มักไม่เพียงพอเมื่อมีข้อมูลขาดหายไปในระดับที่ไม่เล็กน้อย ต้องใช้ m ที่สูงกว่ามาก (เช่น m ≥ 100 × สัดส่วนข้อมูลที่ขาดหายไป) เพื่อให้ได้ค่าประมาณที่เสถียรและทำซ้ำได้
  • การละเว้นตัวแปรผลลัพธ์หรือตัวทำนายที่สำคัญอื่น ๆ จากแบบจำลองการแทนค่าจะทำให้การแทนค่าเอนเอียง แบบจำลองการแทนค่าต้องมีความซับซ้อนอย่างน้อยเท่ากับแบบจำลองการวิเคราะห์
  • การใช้การแทนค่าหลายครั้งเมื่อกลไกเป็น MNAR โดยไม่มีการวิเคราะห์ความไวเสริม จะให้ผลลัพธ์ที่ดูเหมือนถูกต้อง แต่จริง ๆ แล้วอาจเอนเอียงอย่างมาก
  • การรวมผลลัพธ์ด้วย Rubin's rules ตั้งสมมติฐานว่าแบบจำลองการวิเคราะห์เหมือนกันสำหรับชุดข้อมูล m ชุดทั้งหมด และได้ตรวจสอบการลู่เข้าของอัลกอริทึม MICE แล้ว — ตรวจสอบ trace plots ของค่าเฉลี่ยและค่าความแปรปรวนที่แทนที่แล้วเพื่อยืนยันการลู่เข้า

คำถามที่พบบ่อย

ต้องใช้ชุดข้อมูลที่แทนค่าแล้ว (m) กี่ชุด?

ค่าต่ำสุดแบบดั้งเดิมคือ m = 5 มักจะต่ำเกินไป แนวทางปฏิบัติที่อ้างอิงกันอย่างกว้างขวางคือ m ≥ 100 × (สัดส่วนข้อมูลที่ขาดหายไปที่แสดงเป็นเปอร์เซ็นต์) ดังนั้น 10% ของข้อมูลที่ขาดหายไปต้องการอย่างน้อย m = 10 และ 30% ของข้อมูลที่ขาดหายไปต้องการอย่างน้อย m = 30 ค่า m ที่สูงขึ้นช่วยลด Monte Carlo error ในค่าประมาณที่รวมกัน และมีความสำคัญอย่างยิ่งต่อความสามารถในการทำซ้ำ

ความแตกต่างระหว่าง MCAR, MAR และ MNAR คืออะไร?

MCAR (Missing Completely At Random) หมายความว่าความน่าจะเป็นที่ค่าหนึ่งจะขาดหายไปนั้นไม่เกี่ยวข้องกับข้อมูลใด ๆ ทั้งที่สังเกตได้หรือไม่ได้สังเกต — ข้อมูลขาดหายไปโดยบังเอิญล้วน ๆ MAR (Missing At Random) หมายความว่าความน่าจะเป็นของการขาดหายไปอาจขึ้นอยู่กับค่าที่สังเกตได้ แต่ไม่ขึ้นอยู่กับค่าที่ขาดหายไปที่ไม่ได้สังเกตด้วยตนเอง — เมื่อคุณพิจารณาจากสิ่งที่คุณสังเกตได้ การขาดหายไปนั้นเป็นแบบสุ่ม MNAR (Missing Not At Random) หมายความว่าความน่าจะเป็นของการขาดหายไปขึ้นอยู่กับค่าที่ขาดหายไปนั้นเอง การแทนค่าหลายครั้งจะถูกต้องภายใต้ MCAR และ MAR; ภายใต้ MNAR ก็ยังสามารถดำเนินการได้ แต่ต้องเสริมด้วยการวิเคราะห์ความไว

การแทนค่าหลายครั้งสร้างข้อมูลจริงหรือไม่?

ไม่ การแทนค่าหลายครั้งสร้างค่าที่เป็นไปได้ที่สุ่มมาจากแบบจำลองของการกระจายข้อมูลที่ขาดหายไป — ค่าเหล่านี้ไม่ใช่ค่าที่ขาดหายไปจริง วัตถุประสงค์ของวิธีนี้ไม่ใช่เพื่อกู้คืนข้อมูลต้นฉบับ แต่เพื่อสร้างค่าประมาณและ standard errors สำหรับแบบจำลองการวิเคราะห์ที่คำนึงถึงความไม่แน่นอนที่เกิดจากการขาดหายไปได้อย่างถูกต้อง

สามารถใช้การแทนค่าหลายครั้งกับตัวแปรประเภทหมวดหมู่หรือเรียงลำดับได้หรือไม่?

ได้ กรอบการทำงาน MICE จัดการกับตัวแปรประเภทผสมโดยการปรับแบบจำลองแบบมีเงื่อนไขที่เหมาะสมกับประเภทของแต่ละตัวแปร: predictive mean matching หรือ linear regression สำหรับตัวแปรต่อเนื่อง, logistic regression สำหรับตัวแปรทวิภาค, polytomous logistic regression หรือ ordinal regression สำหรับตัวแปรนามบัญญัติหรือเรียงลำดับ และ classification and regression trees เป็นทางเลือกแบบ non-parametric ที่ยืดหยุ่น แต่ละตัวแปรจะถูกแทนที่ตามลำดับโดยใช้แบบจำลองที่เหมาะสมกับประเภทของมัน

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. van Buuren, S. & Groothuis-Oudshoorn, K. (2011). mice: Multivariate Imputation by Chained Equations in R. Journal of Statistical Software, 45(3), 1–67.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว