---
webr:
packages: [dplyr, ggplot2]
resources: [R/setup.R, data/adults.rds, data/full.rds]
cell-options:
autorun: true
timelimit: 300
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# 完全ケース解析 {#sec-complete-case}
```{webr}
#| include: false
source("R/setup.R")
```
R の `lm()` や `glm()` は、使う変数のどれかに欠測がある行を **黙って除いて** 解析します。これを **完全ケース解析**(complete case analysis、listwise deletion)と呼びます。
いちばん手軽な方法ですが、いつ偏り、いつ偏らないのでしょうか。
## 黙って行が減る
`adults`(実際の欠測を含む)で、収縮期血圧を年齢・BMI・性別・収入・コレステロールで説明する回帰をします。
```{webr}
fit <- lm(BPSysAve ~ Age + BMI + Gender + Poverty + TotChol, data = adults)
c(全体の人数 = nrow(adults), 解析に使われた人数 = nobs(fit))
```
10990 人のうち、解析に使われたのは 8662 人です。`summary(fit)` の最後に小さく「2328 observations deleted due to missingness」と出るだけで、警告もありません。
**解析に使った人数を必ず確かめ、報告する** 習慣をつけましょう。
## 平均は偏りやすい
第 1 章で見たとおり、観測できた人だけの平均は、MAR や MNAR で偏ります。
ここでは、同じ母集団から 2000 人を選び、血圧の 30% を欠測させる実験を 500 回繰り返して、**平均的に** どれくらいずれるかを見ます(`new_sample()` は、`full` と同じしくみで新しい標本を作る関数です)。
```{webr}
fm <- BPSysAve ~ Age + BMI + Gender # 解析したいモデル
est <- function(d) c(平均 = mean(d$BPSysAve, na.rm = TRUE), coef(lm(fm, data = d))[c("Age", "BMI", "Gendermale")])
set.seed(1)
res <- replicate(500, {
d <- new_sample() # 母集団から新しい 2000 人(R/setup.R)
mcar <- mar <- mnar <- d
mcar$BPSysAve <- make_missing(d$BPSysAve, 0.3)
mar$BPSysAve <- make_missing(d$BPSysAve, miss_prob(-d$Age, 0.3)) # 若いほど欠測
mnar$BPSysAve <- make_missing(d$BPSysAve, miss_prob(d$BPSysAve, 0.3)) # 血圧が高いほど欠測
c(est(mcar), est(mar), est(mnar))
})
tab <- matrix(rowMeans(res), nrow = 4, dimnames = list(c("平均血圧", "年齢の係数", "BMI の係数", "男性の係数"), c("MCAR", "MAR", "MNAR")))
cbind(本当の値 = unname(c(truth_mean, true_coef)), tab) |> round(3)
```
平均血圧は、MAR で約 2.6 mmHg 高すぎ、MNAR で約 5.9 mmHg 低すぎます。
## 回帰係数は偏らないことがある
ところが、**回帰係数** は様子が違います。
- **MAR(年齢で欠測)**:年齢・BMI・性別の係数は、本当の値と **ほぼ同じ**
- **MNAR(血圧で欠測)**:係数がすべて **小さくなる**(年齢の係数は 0.46 → 0.37)
MAR では、欠測するかどうかは年齢で決まっていて、その年齢はモデルに入っています。**同じ年齢の人どうし** で見れば、観測できた人と欠測した人の血圧の分布は同じなので、回帰係数は偏りません。
平均血圧は、年齢を考えずに全員をまとめた値なので、若い人が抜けると偏ります。
## 説明変数が欠測するとき
今度は、血圧ではなく **BMI(説明変数)** を 30% 欠測させます。
```{webr}
set.seed(1)
res2 <- replicate(500, {
d <- new_sample()
by_age <- by_bp <- d
by_age$BMI <- make_missing(d$BMI, miss_prob(d$Age, 0.3)) # 年齢が高いほど BMI が欠測
by_bp$BMI <- make_missing(d$BMI, miss_prob(d$BPSysAve, 0.3)) # 血圧が高いほど BMI が欠測
c(coef(lm(fm, by_age))[c("Age", "BMI", "Gendermale")], coef(lm(fm, by_bp))[c("Age", "BMI", "Gendermale")])
})
tab2 <- matrix(rowMeans(res2), nrow = 3, dimnames = list(c("年齢", "BMI", "男性"), c("年齢で欠測", "血圧で欠測")))
cbind(本当の値 = true_coef, tab2) |> round(3)
```
- BMI の欠測が **年齢**(説明変数)で決まるなら、係数は偏らない
- BMI の欠測が **血圧**(目的変数)で決まるなら、係数は偏る
::: {.callout-important}
## 完全ケース解析の回帰係数が偏らない条件
欠測するかどうかが、**モデルの説明変数だけで決まり、目的変数によらない** なら、完全ケース解析の回帰係数は偏りません(モデルが正しい場合)。
これは MCAR より広い条件で、MAR とも一致しません。
| 欠測するかどうかが決まるもの | 平均 | 回帰係数 |
|---|---|---|
| 何にもよらない(MCAR) | 偏らない | 偏らない |
| モデルの **説明変数** | 偏る | **偏らない** |
| **目的変数**(観測されている他の変数経由でも) | 偏る | **偏る** |
:::
逆に、目的変数と関係する変数(例えば家庭血圧)で欠測が決まっていて、その変数がモデルに入っていなければ、MAR であっても完全ケース解析は偏ります。多重代入なら、そうした変数を **補完のモデルにだけ** 入れて使えます(第 6 章)。
## 偏らなくても、精度は落ちる
MCAR で偏りがなくても、人数が減るので標準誤差は大きくなります。
```{webr}
set.seed(1)
d <- full; d$BPSysAve <- make_missing(full$BPSysAve, 0.3)
c(欠測なし = summary(lm(fm, full))$coef["Age", "Std. Error"],
完全ケース = summary(lm(fm, d))$coef["Age", "Std. Error"]) |> round(4)
```
30% を失うと、年齢の係数の標準誤差は約 1.2 倍(≈ $\sqrt{1/0.7}$)になります。
欠測のある変数が多いほど、**どれか 1 つでも欠けた人** が除かれるので、失う人数は大きくなります(`adults` では 21%)。
## 完全ケース解析を使ってよいとき
::: {.callout-tip}
## 目安
- 欠測が **少なく**(例えば 5% 未満)、欠測の理由から偏りが小さいと考えられる
- 欠測が **目的変数によらない** と考えられる(説明変数だけで決まる)
- ランダム化試験で、**ベースラインの共変量** が欠測している(目的変数とは別の理由で欠測していることが多い)
どの場合も、使った人数と除いた人数、除いた人の特徴を報告し、多重代入などの結果と比べる **感度分析** を添えます。
:::
## やってみよう
::: {.callout-note}
## 練習
1. `adults` で、`lm(BPSysAve ~ Age + Gender, data = adults)` に使われる人数を確かめてください。説明変数を減らすと、人数はどう変わりますか
2. 血圧の欠測が **性別** で決まる(男性 45%、女性 15%)とき、平均血圧と回帰係数はどうなりますか
:::
```{webr}
#| autorun: false
# 1.
nobs(lm(BPSysAve ~ Age + Gender, data = adults))
# 2.
set.seed(1)
res3 <- replicate(500, {
d <- new_sample()
d$BPSysAve <- make_missing(d$BPSysAve, ifelse(d$Gender == "male", 0.45, 0.15))
est(d)
})
rbind(本当の値 = c(平均 = truth_mean, true_coef), 完全ケース = rowMeans(res3)) |> round(3)
```
::: {.callout-tip collapse="true"}
## 解答
1. 10164 人。血圧の欠測だけで除かれるので、5 つの説明変数を使ったとき(8662 人)より多くなります
2. 平均血圧は少し低くなります(血圧の高い男性が抜けやすいので)。回帰係数は、性別がモデルに入っているので、ほぼ偏りません
:::
::: {.callout-important}
## この章のまとめ
- `lm()` は欠測のある行を **黙って除く**。解析に使った人数を確かめて報告する
- 平均(全体の要約)は、MCAR でなければ偏る
- 回帰係数は、欠測が **説明変数だけで決まる** なら偏らない。**目的変数で決まる** なら偏る
- 偏らなくても、人数が減って精度は落ちる
:::