---
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 >}}
# 代入のモデルに何を入れるか {#sec-model}
```{webr}
#| include: false
source("R/setup.R")
suppressPackageStartupMessages(library(mice))
```
多重代入が正しく働くかどうかは、**代入のモデル**(欠測した値を何から予測するか)で決まります。
この章では、代入のモデルに入れるべき変数を、3 つの例で確かめます。
## 原則 1:目的変数を必ず入れる
説明変数(BMI)が欠測していて、それを代入するとき、**目的変数(血圧)を予測に使ってよいのか** と迷う人がいます。「答えをカンニングしているようだ」と感じるからです。
実際に、使った場合と使わない場合を比べます。BMI の 50% を、ランダムに(MCAR で)欠測させます。
```{webr}
set.seed(1)
d <- full[c("Age", "Gender", "BMI", "BPSysAve")]
d$BMI <- make_missing(full$BMI, 0.5)
pm_without <- make.predictorMatrix(d)
pm_without["BMI", "BPSysAve"] <- 0 # BMI の代入に血圧を使わない
imp_with <- mice(d, m = 10, seed = 1, printFlag = FALSE)
imp_without <- mice(d, m = 10, seed = 1, printFlag = FALSE, predictorMatrix = pm_without)
bmi_coef <- function(imp) {
s <- summary(pool(with(imp, lm(BPSysAve ~ Age + BMI + Gender))))
unlist(s[s$term == "BMI", c("estimate", "std.error")])
}
rbind(欠測前 = summary(lm(BPSysAve ~ Age + BMI + Gender, full))$coef["BMI", 1:2],
完全ケース = summary(lm(BPSysAve ~ Age + BMI + Gender, d))$coef["BMI", 1:2],
血圧を使って代入 = bmi_coef(imp_with),
血圧を使わずに代入 = bmi_coef(imp_without)) |> round(3)
```
血圧を使わずに代入すると、BMI の係数は約 **半分** になりました。
代入した BMI は、血圧と **無関係に** 作られるので、代入した人の分だけ BMI と血圧の関係が薄まるからです。
::: {.callout-important}
## 目的変数は、代入のモデルに必ず入れる
カンニングではありません。代入のモデルは、**変数どうしの関係を保ったまま** 欠測を埋めるためのものです。
目的変数を入れないと、欠測した説明変数と目的変数の関係が **0 に向かって弱まります**。mice の既定(全変数を使う)は、この意味で正しい設定です。
:::
## 原則 2:欠測と関係する変数(補助変数)を入れる
血圧の欠測が、**家庭血圧** で決まっているとします(家庭血圧が正常な人ほど、健診で血圧を測らない)。
家庭血圧は、解析したいモデル(血圧 ~ 年齢 + BMI + 性別)には入っていません。このような、**解析には使わないが、代入には役立つ変数** を **補助変数** と呼びます。
```{webr}
set.seed(2)
s <- new_sample(2000)[c("Age", "Gender", "BMI", "BPSysAve", "HomeBP")]
s$BPSysAve <- make_missing(s$BPSysAve, miss_prob(-s$HomeBP, 0.4)) # 家庭血圧が低いほど欠測
imp_noaux <- mice(s[c("Age", "Gender", "BMI", "BPSysAve")], m = 10, seed = 1, printFlag = FALSE)
imp_aux <- mice(s, m = 10, seed = 1, printFlag = FALSE) # 家庭血圧も使う
mean_pool <- function(imp) unlist(summary(pool(with(imp, lm(BPSysAve ~ 1))))[, c("estimate", "std.error")])
rbind(完全ケース = c(mean(s$BPSysAve, na.rm = TRUE), NA),
補助変数なし = mean_pool(imp_noaux),
補助変数あり = mean_pool(imp_aux)) |> round(2)
c(本当の平均 = truth_mean)
```
- 補助変数なしの多重代入は、完全ケース解析とほとんど同じように **偏っています**。年齢・BMI・性別だけでは、欠測のしくみ(家庭血圧)を説明できないからです。欠測のしくみは、年齢・BMI・性別から見れば **MNAR** です
- 家庭血圧を補助変数として入れると、**偏りがほぼなくなります**。家庭血圧で条件づければ、欠測はランダム(MAR)になるからです
::: {.callout-tip}
## 補助変数の選び方
- **欠測するかどうかと関係する** 変数(来院の頻度、健康状態、社会経済状態…)
- **欠測した変数の値と関係する** 変数(同じものを別の方法・別の時点で測った値)。偏りを減らすだけでなく、精度も上がる
- 欠測と値の **両方** に関係する変数がいちばん大事
- 目安として、欠測する変数と相関 0.4 以上の変数を入れる。変数が多すぎると代入が不安定になるので、数十個までに絞る
- 研究の計画の段階で、**補助変数になりそうな変数を測っておく** ことが、いちばん強力な欠測対策
:::
## 原則 3:解析で使う関係を、代入のモデルにも入れる
解析で **交互作用**(例えば、年齢と血圧の関係が男女で違うか)を調べるなら、代入のモデルも交互作用を含んでいる必要があります。
ここでは、年齢の傾きが男性で 0.30 大きい血圧(`BP2`)を作り、その 40% を欠測させます。
```{webr}
set.seed(3)
s <- new_sample(5000)
s$BP2 <- round(95 + 0.30 * s$Age + 0.30 * s$Age * (s$Gender == "male") - 8 * (s$Gender == "male") +
0.25 * s$BMI + rnorm(nrow(s), 0, 15)) # 本当の交互作用は 0.30
s <- s[c("Age", "Gender", "BMI", "BP2")]
before <- unname(coef(lm(BP2 ~ Age * Gender + BMI, s))["Age:Gendermale"]) # 欠測させる前の推定値
s$BP2 <- make_missing(s$BP2, 0.4) # ランダムに 40% 欠測
int_coef <- function(imp) {
x <- summary(pool(with(imp, lm(BP2 ~ Age * Gender + BMI))))
x$estimate[x$term == "Age:Gendermale"]
}
# (a) mice の既定(交互作用を考えない)
imp_a <- mice(s, m = 10, seed = 1, printFlag = FALSE)
# (b) 交互作用を 1 つの変数として加える(just another variable)
s_b <- s; s_b$AgeMale <- s_b$Age * (s_b$Gender == "male")
imp_b <- mice(s_b, m = 10, seed = 1, printFlag = FALSE)
# (c) 男女別に代入して、あとで結合する
imp_c <- rbind(mice(subset(s, Gender == "female"), m = 10, seed = 1, printFlag = FALSE),
mice(subset(s, Gender == "male"), m = 10, seed = 1, printFlag = FALSE))
c(欠測前 = before, 完全ケース = unname(coef(lm(BP2 ~ Age * Gender + BMI, s))["Age:Gendermale"]),
既定 = int_coef(imp_a), 交互作用を変数に = int_coef(imp_b), 男女別に代入 = int_coef(imp_c)) |> round(3)
```
mice の既定では、交互作用が **小さく** 推定されます。代入のモデルは「年齢の傾きは男女で同じ」と仮定して値を埋めるので、代入した人の分だけ、男女の違いが薄まるからです。
交互作用を変数として加えるか、男女別に代入すれば、欠測させる前の推定値に近づきます(この例の欠測は MCAR なので、完全ケース解析も偏りません)。
::: {.callout-warning}
## 代入のモデルと解析のモデルを合わせる
- 解析に **交互作用・2 乗の項・変換**(対数など)を使うなら、代入のモデルにも入れる
- グループ別の解析をするなら、**グループ別に代入** するのが簡単で確実
- BMI のように **他の変数から計算する変数** は、身長と体重を代入してから計算する(mice では `method` に `"~ I(Weight / (Height / 100)^2)"` のように書く passive imputation)か、BMI そのものを 1 つの変数として代入する
- 代入のモデルは、解析のモデルより **広く**(多くの変数・関係を含む)てよい。狭いと偏る
:::
## やってみよう
::: {.callout-note}
## 練習
1. 原則 1 の例で、BMI の欠測が **年齢で決まる**(MAR)場合も、血圧を使わずに代入すると係数が弱まるか確かめてください
2. 原則 2 の例で、補助変数ありとなしで、平均の標準誤差はどう違いますか
:::
```{webr}
#| autorun: false
# 1.
set.seed(1)
d2 <- full[c("Age", "Gender", "BMI", "BPSysAve")]
d2$BMI <- make_missing(full$BMI, miss_prob(full$Age, 0.5))
rbind(使う = bmi_coef(mice(d2, m = 10, seed = 1, printFlag = FALSE)),
使わない = bmi_coef(mice(d2, m = 10, seed = 1, printFlag = FALSE, predictorMatrix = pm_without))) |> round(3)
# 2.
rbind(補助変数なし = mean_pool(imp_noaux), 補助変数あり = mean_pool(imp_aux)) |> round(3)
```
::: {.callout-tip collapse="true"}
## 解答
1. MAR でも、血圧を使わずに代入すると BMI の係数は弱まります。欠測のしくみにかかわらず、目的変数は代入のモデルに入れます
2. 補助変数ありのほうが、標準誤差が少し小さくなります。家庭血圧が欠測した血圧をよく予測するので、代入の不確かさ(代入間分散 B)が小さくなるからです
:::
::: {.callout-important}
## この章のまとめ
- **目的変数** は、説明変数を代入するときのモデルに必ず入れる。入れないと関係が弱まる
- 欠測と関係する **補助変数** を入れると、偏りが減り、精度も上がる。研究の計画の段階で測っておく
- 解析に使う **交互作用・非線形の関係** は、代入のモデルにも入れる(変数として加える、グループ別に代入する)
- 代入のモデルは、解析のモデルより広くてよい
:::