1  欠測のしくみ

1.1 実際のデータの欠測

NHANES 2009–2012 の 20〜79 歳 10990 人のデータ(adults)で、変数ごとの欠測の割合を見ます。

1 つひとつの変数の欠測は 4〜10% ほどですが、どれか 1 つでも欠測がある人 を除くと、10990 人が 8662 人(79%)に減ります。

どの変数が一緒に欠測しているか(欠測のパターン)を数えます。

  • 総コレステロールだけ欠測(800 人)、収入だけ欠測(547 人)、血圧だけ欠測(331 人)が多い
  • BMI・血圧・コレステロールが そろって欠測(276 人)しているのは、身体測定と採血を受けなかった人と考えられます

1.2 欠測している人は、どんな人か

血圧が欠測している人と、していない人を比べます。

血圧が欠測している人は、女性がやや多く、収入がやや低い傾向があります。 欠測している人は、観測できた人と同じとは限りません。欠測を無視して、観測できた人だけで解析すると、結果が偏るかもしれません。

1.3 欠測の 3 つのしくみ

欠測が 何によって起きるか を、次の 3 つに分けて考えます(Rubin の分類)。

しくみ 欠測するかどうかが 例(血圧の欠測)
MCAR(完全にランダムな欠測) 何にもよらない 測定機器がランダムに故障した
MAR(ランダムな欠測) 観測されている 変数によって決まる 若い人ほど健診に来ない(年齢は分かっている)
MNAR(ランダムでない欠測) 欠測している値そのもの(または観測されていない変数)によって決まる 血圧が高い人ほど測定を避ける

名前が紛らわしいのですが、MAR は「ランダム」ではありません。「観測されている変数で条件づければ、ランダム」という意味です。

1.4 本当の値が分かるデータで確かめる

実際のデータでは、欠測した値の本当の値は分かりません。そこで、欠測のない 2000 人のデータ(full)を使い、自分で欠測を作って、何が起きるかを確かめます。

ノートfull について

full は、NHANES の 20〜79 歳で欠測のない人から選んだ 2000 人です。年齢・性別・BMI などは実際の値ですが、収縮期血圧 BPSysAve だけは、本当の関係が分かるように、NHANES の年齢・BMI・性別との関係をまねて作り直した値です。 また、補助的な記録として 家庭血圧 HomeBP(健診の血圧と相関 0.87)を加えています(第 6 章で使います)。

血圧の 30% を、3 つのしくみで欠測させます(make_missing() と miss_prob() は R/setup.R に定義した関数です)。

観測できた人だけで平均を計算すると:

  • MCAR:欠測させる前の平均とほぼ同じ(観測できた人は、全体からのランダムな標本)
  • MAR:高すぎる(血圧の低い若い人が抜けている)
  • MNAR:低すぎる(血圧の高い人が抜けている)

1.5 データから、しくみは分かるか

MAR では、欠測した人は若い人に偏っています。これは、観測されている年齢 を比べれば分かります。

  • MCAR では、観測できた人と欠測した人の年齢は同じ
  • MAR では、欠測した人のほうがずっと若い
  • MNAR でも、欠測した人のほうが年上 になっています。血圧は年齢と関係があるので、「血圧が高い人が欠測する」と、「年上の人が欠測している」ように見えるからです

観測されている変数を比べれば、MCAR でないこと は分かります。しかし、MAR か MNAR かは、欠測した値そのものが分からない以上、データからは区別できません。

重要欠測のしくみは、データではなく知識で考える
  • 「なぜ欠測したのか」を、研究の手順・対象者・測定の状況から考える
  • 欠測の理由を記録しておく(来院しなかった、測定機器の故障、本人が拒否した…)
  • MAR を仮定するなら、欠測と関係しそうな変数を観測しておく(第 6 章)
  • MNAR の可能性が残るなら、感度分析 で結論がどれくらい変わるかを確かめる(第 8 章)

1.6 やってみよう

ノート練習
  1. adults で、総コレステロール(TotChol)が欠測している人と、していない人の年齢・性別・BMI を比べてください
  2. MAR の欠測の割合を 30% から 50% に増やすと、観測できた人の平均血圧はどう変わりますか
  1. コレステロールが欠測している人は、少しだけ年上(48.1 歳と 47.0 歳)で、性別・BMI はほぼ同じです。観測されている変数で見る限り、大きな偏りはありません(ただし、それで MCAR と言えるわけではありません)
  2. 平均はさらに高くなります(126 mmHg 前後)。欠測が多いほど、偏りは大きくなります
重要この章のまとめ
  • 1 つひとつの変数の欠測は少なくても、全変数がそろう人 は大きく減る
  • 欠測のしくみは MCAR・MAR・MNAR。MAR は「観測されている変数で条件づければランダム」
  • MCAR 以外では、観測できた人だけの平均は偏る
  • データから MCAR でないことは分かるが、MAR か MNAR かは区別できない。知識で考え、感度分析で確かめる