---
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 >}}
# 多重代入と Rubin のルール {#sec-rubin}
```{webr}
#| include: false
source("R/setup.R")
set.seed(1)
d <- full
d$BPSysAve <- make_missing(full$BPSysAve, miss_prob(-full$Age, 0.4)) # 第 3 章と同じ欠測
```
第 3 章で、確率的回帰代入は推定値の偏りは小さいものの、**代入の不確かさを無視する** ので標準誤差が小さすぎることを見ました。
**多重代入**(multiple imputation, MI)は、この不確かさを、**何通りも代入してみて、結果がどれくらい変わるか** で測ります。
## 多重代入の 3 ステップ
1. **代入**:欠測した値を、ランダムさを含む方法で埋めた「完全なデータ」を **m 個** 作る
2. **解析**:m 個のデータそれぞれで、ふつうに解析する(平均、回帰…)
3. **統合**:m 個の結果を **Rubin のルール** でまとめる
この章では、パッケージを使わずに、この 3 ステップを手で書いてみます。
## ステップ 1:代入(適切な方法で)
確率的回帰代入との違いは、**回帰係数そのものも、毎回少しずつ変える** ことです。
回帰係数は標本から推定した値なので、別の標本なら別の値になったはずです。その不確かさを、係数の推定値と標準誤差に応じてランダムに引き直すことで表現します(ベイズ的な線形回帰からの抽出。mice の `norm` 法と同じ考え方)。
```{webr}
impute_once <- function(d, proper = TRUE) {
o <- !is.na(d$BPSysAve)
X <- model.matrix(~ Age + BMI + Gender, d)
fit <- lm.fit(X[o, ], d$BPSysAve[o]) # 観測できた人で回帰
df <- sum(o) - ncol(X)
s2 <- sum(fit$residuals^2) / df; b <- fit$coefficients
if (proper) { # 係数と誤差分散を引き直す
s2 <- sum(fit$residuals^2) / rchisq(1, df)
V <- chol2inv(qr.R(fit$qr)) * s2
b <- b + drop(t(chol(V)) %*% rnorm(ncol(X)))
}
d$BPSysAve[!o] <- drop(X[!o, ] %*% b) + rnorm(sum(!o), 0, sqrt(s2)) # 予測値 + 誤差
d
}
set.seed(1)
imps <- lapply(1:5, function(i) impute_once(d)) # m = 5 個の完全なデータ
```
## ステップ 2:解析
5 個のデータそれぞれで、平均血圧とその標準誤差を計算します。
```{webr}
est <- sapply(imps, function(x) mean(x$BPSysAve))
se <- sapply(imps, function(x) sd(x$BPSysAve) / sqrt(nrow(x)))
rbind(平均 = est, 標準誤差 = se) |> round(3)
```
代入のたびに、平均は 121.3〜121.7 と少しずつ違います。この **ばらつき** が、代入の不確かさです。
## ステップ 3:Rubin のルールで統合する
m 個の推定値 $\hat{Q}_1, \dots, \hat{Q}_m$ と、その分散(標準誤差の 2 乗)$U_1, \dots, U_m$ から、
| 量 | 式 | 意味 |
|---|---|---|
| 統合した推定値 | $\bar{Q} = \frac{1}{m}\sum \hat{Q}_i$ | m 個の推定値の平均 |
| 代入内分散 | $W = \frac{1}{m}\sum U_i$ | 1 つのデータの中での不確かさ(ふつうの標準誤差の 2 乗の平均) |
| 代入間分散 | $B = \frac{1}{m-1}\sum (\hat{Q}_i - \bar{Q})^2$ | 代入によって結果がどれくらい変わるか |
| 全体の分散 | $T = W + \left(1 + \frac{1}{m}\right) B$ | 統合した推定値の分散 |
```{webr}
pool <- function(est, se) {
m <- length(est)
qbar <- mean(est); W <- mean(se^2); B <- var(est)
T <- W + (1 + 1 / m) * B
df <- (m - 1) * (1 + W / ((1 + 1 / m) * B))^2 # Rubin の自由度
c(推定値 = qbar, 標準誤差 = sqrt(T), W = W, B = B, 自由度 = df,
欠測情報の割合 = (1 + 1 / m) * B / T)
}
p <- pool(est, se)
round(p, 4)
p[["推定値"]] + c(-1, 1) * qt(0.975, p[["自由度"]]) * p[["標準誤差"]] # 95% 信頼区間
```
- 統合した平均は **121.5 mmHg**、標準誤差は **0.44**
- 1 つのデータの標準誤差(約 0.40)より大きくなりました。代入間のばらつき B を加えたからです
- 信頼区間には、t 分布(自由度 160)を使います。自由度は、m が小さく、B が W に比べて大きいほど小さくなります
**欠測情報の割合**(λ)は、「欠測によって失われた情報の割合」の目安です。ここでは 0.16 と出ましたが、**m = 5 では B の推定がとても不安定** で、この値はあまり信用できません(練習 2 で m = 50 にすると 0.47 になります)。m をいくつにすればよいかは第 7 章で扱います。
::: {.callout-tip}
## Rubin のルールの考え方
- 推定値は、ふつうに **平均** するだけ
- 標準誤差は、「1 つのデータの中の不確かさ(W)」に「代入の不確かさ(B)」を **上乗せ** する
- $(1 + 1/m)$ は、代入の回数 m が有限であることによる補正
:::
## 被覆率で確かめる
第 3 章と同じ実験(母集団から 500 人、血圧の 40% を欠測、500 回)で、多重代入(m = 10)の信頼区間の被覆率を調べます。
回帰係数を引き直さない **不適切な** 多重代入(確率的回帰代入を 10 回繰り返すだけ)とも比べます。
```{webr}
set.seed(1)
res <- replicate(500, {
s <- new_sample(500)
s$BPSysAve <- make_missing(s$BPSysAve, miss_prob(-s$Age, 0.4))
sapply(c(適切 = TRUE, 不適切 = FALSE), function(pr) {
im <- lapply(1:10, function(i) impute_once(s, proper = pr))
p <- pool(sapply(im, \(x) mean(x$BPSysAve)), sapply(im, \(x) sd(x$BPSysAve) / sqrt(500)))
c(推定値 = p[["推定値"]], 標準誤差 = p[["標準誤差"]],
含む = abs(p[["推定値"]] - truth_mean) < qt(0.975, p[["自由度"]]) * p[["標準誤差"]])
})
}, simplify = "array")
data.frame(偏り = apply(res["推定値", , ], 1, mean) - truth_mean,
計算した標準誤差 = apply(res["標準誤差", , ], 1, mean),
推定値の実際のばらつき = apply(res["推定値", , ], 1, sd),
被覆率 = apply(res["含む", , ], 1, mean)) |> round(3)
```
| 方法 | 被覆率 |
|---|---|
| 完全ケース(第 3 章) | 7% |
| 確率的回帰代入(第 3 章) | 79% |
| 不適切な多重代入(係数を引き直さない) | 約 90% |
| **適切な多重代入** | **約 96%** |
適切な多重代入では、計算した標準誤差(1.12)が推定値の実際のばらつき(1.12)とほぼ一致し、被覆率が 95% 前後になりました。
係数を引き直さないと、「代入に使った回帰係数の不確かさ」が抜けるので、標準誤差がまだ小さすぎます。
::: {.callout-important}
## 多重代入が正しく働く条件
- 欠測が **MAR**(代入のモデルに入れた変数で、欠測のしくみが説明できる)
- 代入のモデルが **適切**:解析に使う変数と関係を含み(第 6 章)、パラメータの不確かさも反映する(適切な代入)
- 統合は **Rubin のルール** で(推定値の平均だけでなく、分散に B を加える)
:::
## やってみよう
::: {.callout-note}
## 練習
1. `imps` を使って、年齢の回帰係数(`lm(BPSysAve ~ Age + BMI + Gender)`)を Rubin のルールで統合してください
2. m を 5 から 50 に増やすと、統合した標準誤差と自由度はどう変わりますか
:::
```{webr}
#| autorun: false
# 1.
fits <- lapply(imps, function(x) summary(lm(BPSysAve ~ Age + BMI + Gender, data = x))$coef)
round(pool(sapply(fits, \(f) f["Age", "Estimate"]), sapply(fits, \(f) f["Age", "Std. Error"])), 4)
# 2.
set.seed(1)
imps50 <- lapply(1:50, function(i) impute_once(d))
round(pool(sapply(imps50, \(x) mean(x$BPSysAve)), sapply(imps50, \(x) sd(x$BPSysAve) / sqrt(nrow(x)))), 4)
```
::: {.callout-tip collapse="true"}
## 解答
1. 年齢の係数は約 0.52、標準誤差は約 0.025 です。欠測前の `full` での推定値(0.454)とは少し違いますが、これは `full` という 1 つのデータで、たまたま欠測した人の組み合わせによるぶれです(500 回繰り返した平均では偏りません)
2. 標準誤差は 0.44 → 0.56 に、欠測情報の割合は 0.16 → 0.47 に増えました。m = 5 のときは、5 個の推定値が **たまたま近い値** になり、B を小さく見積もっていたのです。m が小さいと、標準誤差そのものがぶれます。m の決め方は第 7 章で扱います
:::
::: {.callout-important}
## この章のまとめ
- 多重代入は **代入 → 解析 → 統合** の 3 ステップ
- 代入では、予測値に誤差を足すだけでなく、**回帰係数の不確かさも反映** する(適切な代入)
- Rubin のルール:推定値は平均、分散は $T = W + (1 + 1/m) B$
- 正しく行えば、信頼区間の被覆率が 95% 前後になる
:::