---
webr:
packages: [dplyr, ggplot2, mice]
resources: [R/setup.R, data/adults.rds, data/full.rds]
cell-options:
autorun: true
timelimit: 300
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# mice で多重代入する {#sec-mice}
```{webr}
#| include: false
source("R/setup.R")
suppressPackageStartupMessages(library(mice))
```
第 4 章では、1 つの変数(血圧)だけを手で多重代入しました。
実際のデータでは、**複数の変数に欠測がある** のがふつうです。R の **mice** パッケージは、こうしたデータの多重代入を、代入・解析・統合まで一通り行えます。
## 使うデータ
`adults`(実際の欠測を含む NHANES の 20〜79 歳)から、ブラウザで速く動くように 3000 人を選んで使います。
```{webr}
set.seed(1)
a <- adults[sample(nrow(adults), 3000), ]
rownames(a) <- NULL
round(100 * colMeans(is.na(a)), 1) # 欠測の割合 (%)
sum(complete.cases(a)) # 完全ケースの人数
```
解析したいのは、収縮期血圧を年齢・BMI・性別・収入(貧困比)・総コレステロールで説明する回帰です。完全ケース解析では 3000 人のうち 2358 人(79%)しか使えません。
## mice の 3 ステップ
```{webr}
imp <- mice(a, m = 10, maxit = 10, seed = 1, printFlag = FALSE) # 1. 代入(数秒〜十数秒かかります)
fit <- with(imp, lm(BPSysAve ~ Age + BMI + Gender + Poverty + TotChol)) # 2. 解析
res <- pool(fit) # 3. 統合(Rubin のルール)
summary(res, conf.int = TRUE)[, c("term", "estimate", "std.error", "df", "2.5 %", "97.5 %")]
```
| 引数 | 意味 |
|---|---|
| `m = 10` | 代入したデータの数 |
| `maxit = 10` | 反復の回数(後述の「連鎖方程式」を何周するか) |
| `seed = 1` | 乱数の種。**必ず指定** して、結果を再現できるようにする |
`with()` は m 個のデータそれぞれで解析し、`pool()` は第 4 章の Rubin のルールで統合します。
## 完全ケース解析と比べる
```{webr}
cc <- summary(lm(BPSysAve ~ Age + BMI + Gender + Poverty + TotChol, data = a))$coef
mi <- summary(res)
data.frame(項目 = mi$term,
完全ケース = round(cc[, "Estimate"], 3), 完全ケースのSE = round(cc[, "Std. Error"], 4),
多重代入 = round(mi$estimate, 3), 多重代入のSE = round(mi$std.error, 4), row.names = NULL)
```
この例では、係数はどちらもよく似ています。多くの係数で多重代入のほうが標準誤差が少し小さくなっています(完全ケース解析で捨てていた 642 人の、観測できている情報を使えるため)。BMI だけは、BMI 自体の代入の不確かさが加わるので、少し大きくなっています。
実際のデータで、2 つの方法の結果が大きく違わないことは、それ自体が「欠測による偏りは大きくなさそう」という安心材料になります。
## 中で何をしているか:連鎖方程式
mice は **MICE**(Multivariate Imputation by Chained Equations、連鎖方程式による多重代入)という方法を使います。
1. まず、欠測をとりあえずランダムな観測値で埋める
2. BMI を、他のすべての変数(その時点で埋まっている値)から予測するモデルで代入し直す
3. 次に血圧を、他のすべての変数から代入し直す(BMI は 2 で代入した値を使う)
4. コレステロール、収入…と、欠測のある変数を 1 つずつ順に代入し直す
5. 2〜4 を `maxit` 回繰り返す。最後の状態を 1 つの「完全なデータ」とする
6. これを m 回(別々の乱数で)行う
変数ごとに、使う方法と、予測に使う変数を確認できます。
```{webr}
imp$method # 変数ごとの代入の方法("" は欠測がないので代入しない)
imp$predictorMatrix # 行の変数を代入するとき、列の変数を使うか(1 = 使う)
```
## 予測平均マッチング(pmm)
連続変数の既定の方法は **pmm**(predictive mean matching、予測平均マッチング)です。
1. 回帰で、欠測した人の予測値を計算する(係数は第 4 章と同じように引き直す)
2. **観測できた人の中から、予測値が近い人を数人**(既定は 5 人)選ぶ
3. その中から 1 人をランダムに選び、その人の **実際の値** を代入する
実際に観測された値しか代入しないので、ありえない値(マイナスの収入、範囲外の値)が入りません。
```{webr}
imp_norm <- mice(a, m = 1, maxit = 10, seed = 1, printFlag = FALSE,
method = c("", "", "norm", "norm", "norm", "", "norm")) # 正規分布の回帰で代入
rbind(観測値 = range(a$Poverty, na.rm = TRUE),
pmm = range(complete(imp, 1)$Poverty),
norm = range(complete(imp_norm, 1)$Poverty)) |> round(2)
```
貧困比は 0〜5 の値(5 で頭打ち)ですが、`norm`(正規分布の回帰)で代入すると、マイナスや 5 を超える値が入ります。pmm なら観測値の範囲に収まります。
::: {.callout-tip}
## 変数の種類ごとの既定の方法
| 変数 | 既定の方法 |
|---|---|
| 数値 | `pmm`(予測平均マッチング) |
| 2 カテゴリの factor | `logreg`(ロジスティック回帰) |
| 3 カテゴリ以上の factor(順序なし) | `polyreg`(多項ロジスティック回帰) |
| 順序のある factor | `polr`(比例オッズモデル) |
カテゴリの変数は、**factor にしておく** ことが大切です。数値のままだと pmm で代入されます。
:::
## 代入したデータを取り出す
```{webr}
head(complete(imp, 1)) # 1 番目の完全なデータ
long <- complete(imp, "long") # m 個を縦に並べたデータ(.imp 列が代入の番号)
dim(long)
```
::: {.callout-warning}
## やってはいけないこと
- **代入したデータを平均して 1 つにまとめてから解析する**:単一代入と同じになり、標準誤差が小さすぎる
- **1 番目のデータ `complete(imp, 1)` だけで解析する**:これも単一代入
- 解析は m 個のデータそれぞれで行い、**`pool()` で統合** する
:::
## 本当の値が分かるデータで確かめる
第 3・4 章と同じ、`full` の血圧の 40% を欠測させたデータで、mice(pmm)の結果を確かめます。
```{webr}
set.seed(1)
d <- full
d$BPSysAve <- make_missing(full$BPSysAve, miss_prob(-full$Age, 0.4))
imp_d <- mice(d[c("Age", "Gender", "BMI", "BPSysAve")], m = 10, seed = 1, printFlag = FALSE)
summary(pool(with(imp_d, lm(BPSysAve ~ 1))), conf.int = TRUE)[, c("estimate", "std.error", "2.5 %", "97.5 %")]
c(欠測前の平均 = mean(full$BPSysAve), 完全ケース = mean(d$BPSysAve, na.rm = TRUE))
```
完全ケースの平均(125.6)は 3 mmHg 以上高すぎましたが、mice による多重代入では 121.7(95% 信頼区間 120.7〜122.8)となり、欠測前の平均 122.3 を含んでいます。
## やってみよう
::: {.callout-note}
## 練習
1. `imp` の結果で、`lm(BPSysAve ~ Age + Gender)` を解析・統合してください(代入はやり直さなくてよい)
2. `mice()` の `m` を 10 から 20 にすると、統合した結果はどれくらい変わりますか
:::
```{webr}
#| autorun: false
# 1.
summary(pool(with(imp, lm(BPSysAve ~ Age + Gender))))
# 2.
imp20 <- mice(a, m = 20, maxit = 10, seed = 1, printFlag = FALSE)
summary(pool(with(imp20, lm(BPSysAve ~ Age + BMI + Gender + Poverty + TotChol))))[, c("term", "estimate", "std.error")]
```
::: {.callout-tip collapse="true"}
## 解答
1. 代入したデータは、いろいろな解析に使い回せます。ただし、**代入のモデルに含まれていない関係**(交互作用など)を解析すると偏ります(第 6 章)
2. 推定値・標準誤差とも、小数第 2〜3 位程度しか変わりません。この例では欠測が少ないので、m = 10 でも十分です(第 7 章)
:::
::: {.callout-important}
## この章のまとめ
- mice は **`mice()` → `with()` → `pool()`** の 3 ステップ。`seed` を必ず指定する
- 複数の変数の欠測を、**連鎖方程式** で 1 変数ずつ順に代入する
- 連続変数の既定は **pmm**。観測された値だけを代入するので、ありえない値が入らない
- カテゴリの変数は factor にしておく
- 代入したデータを平均したり、1 つだけ使ったりしない。必ず `pool()` で統合する
:::