---
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 >}}
# 単一代入の落とし穴 {#sec-single}
```{webr}
#| include: false
source("R/setup.R")
```
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。
```{webr}
set.seed(1)
d <- full
d$BPSysAve <- make_missing(full$BPSysAve, miss_prob(-full$Age, 0.4))
obs <- !is.na(d$BPSysAve)
c(欠測した人数 = sum(!obs))
```
## 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。
```{webr}
m_mean <- d
m_mean$BPSysAve[!obs] <- mean(d$BPSysAve, na.rm = TRUE)
```
## 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。
```{webr}
fit <- lm(BPSysAve ~ Age + BMI + Gender, data = d) # 欠測のある行は自動で除かれる
m_reg <- d
m_reg$BPSysAve[!obs] <- predict(fit, d)[!obs]
```
## 予測値に誤差を足して埋める
回帰の予測値に、残差の標準偏差ぶんの **ランダムな誤差** を足して埋めます(確率的回帰代入)。
```{webr}
m_sto <- m_reg
m_sto$BPSysAve[!obs] <- m_sto$BPSysAve[!obs] + rnorm(sum(!obs), 0, sigma(fit))
```
## 比べる
```{webr}
summ <- function(x) c(平均 = mean(x$BPSysAve), 標準偏差 = sd(x$BPSysAve), 年齢との相関 = cor(x$BPSysAve, x$Age))
rbind(欠測前 = summ(full), 完全ケース = summ(d[obs, ]),
平均値代入 = summ(m_mean), 回帰代入 = summ(m_reg), 確率的回帰代入 = summ(m_sto)) |> round(3)
```
```{webr}
#| fig-height: 3.8
pd <- rbind(data.frame(方法 = "平均値代入", Age = m_mean$Age, BP = m_mean$BPSysAve, 代入 = !obs),
data.frame(方法 = "回帰代入", Age = m_reg$Age, BP = m_reg$BPSysAve, 代入 = !obs),
data.frame(方法 = "確率的回帰代入", Age = m_sto$Age, BP = m_sto$BPSysAve, 代入 = !obs))
pd$方法 <- factor(pd$方法, levels = c("平均値代入", "回帰代入", "確率的回帰代入"))
ggplot(pd, aes(Age, BP, colour = ifelse(代入, "代入した値", "観測した値"))) +
geom_point(size = 0.6, alpha = 0.5) + facet_wrap(~ 方法) +
scale_colour_manual(values = c("grey60", "firebrick")) +
labs(x = "年齢", y = "収縮期血圧", colour = NULL)
```
| 方法 | 平均 | 標準偏差 | 年齢との相関 |
|---|---|---|---|
| 平均値代入 | 完全ケースと同じ(MAR では偏る) | **小さすぎる**(同じ値が並ぶ) | **弱すぎる** |
| 回帰代入 | 偏りが小さい | **小さすぎる**(すべて回帰直線の上) | **強すぎる** |
| 確率的回帰代入 | 偏りが小さい | ほぼ正しい | ほぼ正しい |
- **平均値代入** は、どんなしくみの欠測でも分布をゆがめ、関係を弱めます。使ってはいけません
- **回帰代入** は、代入した値がすべて直線の上に乗るので、関係を **実際より強く** 見せます
- **確率的回帰代入** は、分布と関係をほぼ正しく再現します。では、これで十分でしょうか
## 確率的回帰代入でも足りないもの
母集団から 500 人を選び、血圧の 40% を欠測させ、各方法で平均血圧とその 95% 信頼区間を計算する実験を 500 回繰り返します。
信頼区間が **本当の平均を含む割合**(被覆率)が 95% になっていれば、信頼区間は正しく計算できています。
```{webr}
set.seed(1)
res <- replicate(500, {
s <- new_sample(500)
s$BPSysAve <- make_missing(s$BPSysAve, miss_prob(-s$Age, 0.4))
o <- !is.na(s$BPSysAve); n <- nrow(s)
fit <- lm(BPSysAve ~ Age + BMI + Gender, data = s); pr <- predict(fit, s)
a <- s$BPSysAve; a[!o] <- mean(s$BPSysAve, na.rm = TRUE) # 平均値代入
b <- s$BPSysAve; b[!o] <- pr[!o] # 回帰代入
c2 <- s$BPSysAve; c2[!o] <- pr[!o] + rnorm(sum(!o), 0, sigma(fit)) # 確率的回帰代入
est <- c(mean(s$BPSysAve, na.rm = TRUE), mean(a), mean(b), mean(c2))
se <- c(sd(s$BPSysAve, na.rm = TRUE) / sqrt(sum(o)), sd(a) / sqrt(n), sd(b) / sqrt(n), sd(c2) / sqrt(n))
c(est, se)
})
est <- res[1:4, ]; se <- res[5:8, ]
data.frame(方法 = c("完全ケース", "平均値代入", "回帰代入", "確率的回帰代入"),
偏り = rowMeans(est) - truth_mean,
計算した標準誤差 = rowMeans(se),
推定値の実際のばらつき = apply(est, 1, sd),
被覆率 = rowMeans(abs(est - truth_mean) < 1.96 * se)) |>
mutate(across(-方法, \(x) round(x, 3)))
```
- 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。
::: {.callout-important}
## 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)。
:::
## ほかの単一代入
::: {.callout-warning}
## 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
:::
## やってみよう
::: {.callout-note}
## 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
:::
```{webr}
#| autorun: false
# 1.
set.seed(1)
cov20 <- replicate(500, {
s <- new_sample(500); s$BPSysAve <- make_missing(s$BPSysAve, miss_prob(-s$Age, 0.2))
o <- !is.na(s$BPSysAve); fit <- lm(BPSysAve ~ Age + BMI + Gender, data = s)
x <- s$BPSysAve; x[!o] <- predict(fit, s)[!o] + rnorm(sum(!o), 0, sigma(fit))
abs(mean(x) - truth_mean) < 1.96 * sd(x) / sqrt(500)
})
mean(cov20)
```
::: {.callout-tip collapse="true"}
## 解答
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
:::
::: {.callout-important}
## 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
:::