3  単一代入の落とし穴

完全ケース解析で人数が減るのを避けるために、欠測した値を 何かの値で埋めて(代入して)から解析することがあります。 1 つの値で埋める方法を 単一代入 と呼びます。手軽ですが、それぞれに落とし穴があります。

この章では、full の血圧の 40% を、若い人ほど欠測しやすいしくみ(MAR)で欠測させて使います。

3.1 平均値で埋める

欠測した血圧を、観測できた人の平均で埋めます。

3.2 回帰の予測値で埋める

年齢・BMI・性別から血圧を予測する回帰を、観測できた人で当てはめ、その 予測値 で埋めます。

3.3 予測値に誤差を足して埋める

回帰の予測値に、残差の標準偏差ぶんの ランダムな誤差 を足して埋めます(確率的回帰代入)。

3.4 比べる

方法 平均 標準偏差 年齢との相関
平均値代入 完全ケースと同じ(MAR では偏る) 小さすぎる(同じ値が並ぶ) 弱すぎる
回帰代入 偏りが小さい 小さすぎる(すべて回帰直線の上) 強すぎる
確率的回帰代入 偏りが小さい ほぼ正しい ほぼ正しい
  • 平均値代入 は、どんなしくみの欠測でも分布をゆがめ、関係を弱めます。使ってはいけません
  • 回帰代入 は、代入した値がすべて直線の上に乗るので、関係を 実際より強く 見せます
  • 確率的回帰代入 は、分布と関係をほぼ正しく再現します。では、これで十分でしょうか

3.5 確率的回帰代入でも足りないもの

母集団から 500 人を選び、血圧の 40% を欠測させ、各方法で平均血圧とその 95% 信頼区間を計算する実験を 500 回繰り返します。 信頼区間が 本当の平均を含む割合(被覆率)が 95% になっていれば、信頼区間は正しく計算できています。

  • 完全ケースと平均値代入は、平均が 約 3.5 mmHg 偏り、被覆率は 7% と 1% 未満
  • 回帰代入と確率的回帰代入は、偏りはほぼありません。しかし被覆率は 75%・79% で、95% に届きません

「計算した標準誤差」(約 0.66〜0.80)が、「推定値の実際のばらつき」(約 1.1〜1.2)より 小さすぎる からです。

代入した値を、本当に測った値と同じように扱うと、

  1. 代入した値が 不確か であること(同じ人でも、別の値が入ったかもしれない)
  2. 代入に使った回帰係数そのものが、標本から推定した不確かな値 であること

が無視され、データが実際より多くの情報を持っているように見えてしまいます。

重要単一代入の問題
  • 平均値代入:分布をゆがめ、関係を弱める。使わない
  • 回帰代入:関係を強く見せ、ばらつきを小さく見せる
  • 確率的回帰代入:推定値の偏りは小さいが、標準誤差が小さすぎ、信頼区間が狭すぎる(p 値が小さすぎる)

この「代入の不確かさ」を解析に反映させるのが、多重代入 です(第 4 章)。

3.6 ほかの単一代入

警告よく使われるが問題のある方法
  • LOCF(最後の観測値で埋める):縦断研究で、脱落した人の最後の値をその後もずっと使う。「脱落後は値が変わらない」という、たいてい成り立たない仮定を置いている。標準誤差も小さすぎる
  • 欠測指示変数法:説明変数の欠測を 0 などで埋め、「欠測かどうか」の変数をモデルに加える。ランダム化試験のベースライン共変量以外では、偏る ことが知られている
  • 最悪値・最良値で埋める:感度分析としては意味があるが、主解析には向かない

3.7 やってみよう

ノート練習
  1. 欠測の割合を 40% から 20% にすると、確率的回帰代入の被覆率はどう変わりますか(上の実験の 0.4 を 0.2 に変えてください)
  2. 回帰代入で、年齢と血圧の相関が強すぎるのはなぜか、散布図から説明してください
  1. 約 88% になります。欠測が少ないほど 95% に近づきますが、届きません(代入の不確かさを無視しているのは同じ)
  2. 代入した値はすべて回帰直線(年齢・BMI・性別からの予測値)の上にあり、実際の血圧が持つ「直線のまわりのばらつき」がありません。そのため、年齢と血圧が実際より一直線に並んで見えます
重要この章のまとめ
  • 平均値代入は、分布と関係をゆがめる
  • 回帰代入は、関係を強く、ばらつきを小さく見せる
  • 確率的回帰代入は偏りは小さいが、代入の不確かさを無視 するので、標準誤差が小さすぎる
  • 単一代入した値を、測った値と同じように扱ってはいけない