---
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 >}}
# MNAR の感度分析と報告 {#sec-mnar}
```{webr}
#| include: false
source("R/setup.R")
suppressPackageStartupMessages(library(mice))
```
多重代入は、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)であることを仮定しています。
しかし第 1 章で見たとおり、MAR か MNAR かはデータからは区別できません。そこで、「**もし MNAR だったら、結論はどれくらい変わるか**」を確かめる **感度分析** を行います。
## 例:降圧薬の臨床試験
新薬と従来の薬を比べる試験(各群 200 人)を考えます。主要評価項目は 12 週後の収縮期血圧、解析はベースラインの血圧で調整した回帰(ANCOVA)です。
12 週後の血圧は、ベースラインの血圧が高い人ほど欠測しやすく、全体で約 1/4 が欠測しています。
```{webr}
set.seed(10)
n <- 200
trial <- data.frame(group = factor(rep(c("従来", "新薬"), each = n), levels = c("従来", "新薬")),
base = round(rnorm(2 * n, 150, 12))) # ベースラインの血圧
trial$week12 <- round(trial$base - 10 - 5 * (trial$group == "新薬") +
0.6 * (trial$base - 150) + rnorm(2 * n, 0, 12)) # 本当の新薬の効果は −5
trial$week12 <- make_missing(trial$week12, miss_prob(trial$base, 0.25)) # ベースラインが高いほど欠測
tapply(is.na(trial$week12), trial$group, mean) # 群ごとの欠測の割合
```
### MAR を仮定した多重代入
```{webr}
imp0 <- mice(trial, m = 20, seed = 1, printFlag = FALSE)
summary(pool(with(imp0, lm(week12 ~ group + base))), conf.int = TRUE)[2, c("term", "estimate", "2.5 %", "97.5 %", "p.value")]
```
新薬の効果は −5.7 mmHg(95% 信頼区間 −8.6〜−2.9)で、有意です。
ただしこれは、「脱落した人の 12 週後の血圧は、**同じ群・同じベースラインの、脱落しなかった人と同じように分布する**」(MAR)という仮定のもとでの結果です。
## δ 調整法
新薬群で脱落した人は、副作用や効果不十分で脱落したのかもしれません。もしそうなら、その人たちの 12 週後の血圧は、MAR で代入した値より **高かった** はずです。
そこで、MAR で代入した値に **δ mmHg を上乗せ** して(新薬群の脱落者だけ)、結果がどう変わるかを調べます。
mice では、`post` という引数で、代入した直後の値を書き換えられます。
```{webr}
delta_fit <- function(delta) {
post <- make.post(trial)
post["week12"] <- sprintf(
"imp[[j]][data$group[!r[, j]] == '新薬', i] <- imp[[j]][data$group[!r[, j]] == '新薬', i] + %s", delta)
imp <- mice(trial, m = 20, seed = 1, printFlag = FALSE, post = post)
s <- summary(pool(with(imp, lm(week12 ~ group + base))), conf.int = TRUE)[2, ]
c(δ = delta, 効果 = s$estimate, 下限 = s$`2.5 %`, 上限 = s$`97.5 %`, p値 = s$p.value)
}
res <- t(sapply(c(0, 5, 10, 12, 13, 15, 20), delta_fit)) # 十数秒かかります
round(res, 3)
```
```{webr}
#| fig-height: 3.4
ggplot(as.data.frame(res), aes(δ, 効果)) +
geom_hline(yintercept = 0, colour = "grey50") +
geom_pointrange(aes(ymin = 下限, ymax = 上限)) +
labs(x = "新薬群の脱落者に上乗せした血圧 δ (mmHg)", y = "新薬の効果と 95% 信頼区間 (mmHg)")
```
- δ が大きくなるほど、新薬の効果は小さくなります
- **δ = 13 mmHg** で信頼区間が 0 をまたぎ、有意でなくなります。この δ を **転換点**(tipping point)と呼びます
結論を覆すには、「新薬群の脱落者の血圧が、MAR で予測される値より **平均 13 mmHg も高い**」必要があります。
これが臨床的にありそうかどうか(新薬の効果そのものが 5 mmHg 程度なのに、脱落者だけ 13 mmHg も高いか)を、専門家が判断します。ありそうもないなら、結論は MNAR に対して **頑健** だと言えます。
::: {.callout-tip}
## δ 調整法・転換点分析のポイント
- δ は「MAR からどれくらい外れているか」を表す、**解釈しやすい** パラメータ
- どちらの群に、どちらの向きに δ を加えるかは、**結論を不利にする向き**(この例では新薬群を悪く)を考える
- 両群に別々の δ を加えて、2 次元の表にすることもある
- ほかに、脱落者は「従来の薬の群と同じ経過をたどる」と仮定する方法(jump to reference、copy reference)などがあり、臨床試験の **estimand**(ICH E9(R1))とあわせて決める
:::
## 本当の値が分かるデータで
第 1 章の MNAR(血圧が高いほど欠測)では、多重代入でも偏りは残ります。δ をいくつにすれば、本当の平均に近づくでしょうか。
```{webr}
set.seed(1)
d <- full[c("Age", "Gender", "BMI", "BPSysAve")]
d$BPSysAve <- make_missing(full$BPSysAve, miss_prob(full$BPSysAve, 0.3)) # MNAR
mean_delta <- function(delta) {
post <- make.post(d); post["BPSysAve"] <- sprintf("imp[[j]][, i] <- imp[[j]][, i] + %s", delta)
imp <- mice(d, m = 10, seed = 1, printFlag = FALSE, post = post)
summary(pool(with(imp, lm(BPSysAve ~ 1))))$estimate
}
c(欠測前 = mean(full$BPSysAve), 完全ケース = mean(d$BPSysAve, na.rm = TRUE),
sapply(c(`δ=0` = 0, `δ=5` = 5, `δ=10` = 10, `δ=15` = 15), mean_delta)) |> round(1)
```
MAR を仮定した多重代入(δ = 0)は、完全ケースより偏りが小さくなるものの、欠測前の平均には届きません(年齢・BMI・性別が血圧の一部を説明するぶんだけ改善)。
この例では δ = 15 mmHg 前後で欠測前の平均に近づきます。実際のデータでは本当の値は分からないので、**ありそうな δ の範囲で結論が変わるか** を示すことが目的です。
## 報告に含めるもの
::: {.callout-important}
## 欠測データの報告(Sterne ら, BMJ 2009 などを参考に)
1. **変数ごとの欠測の人数と割合**、完全ケースの人数
2. **欠測の理由**(分かる範囲で)と、欠測した人と観測できた人の特徴の比較
3. 主解析で仮定した **欠測のしくみ**(MAR など)とその根拠
4. 多重代入なら:
- 使ったソフトウェアと方法(mice、pmm など)
- **代入のモデルに入れた変数**(目的変数・補助変数・交互作用)
- **m** と反復の回数、乱数の種
- 収束と代入値の確認をしたこと
5. **完全ケース解析の結果** との比較
6. MNAR の **感度分析**(δ 調整法・転換点など)とその結果
:::
## やってみよう
::: {.callout-note}
## 練習
1. 試験の例で、**両群の** 脱落者に同じ δ = 10 を加えると、新薬の効果はどうなりますか
2. 試験の例を、完全ケース解析(`lm(week12 ~ group + base, data = trial)`)でも解析し、MAR の多重代入と比べてください
:::
```{webr}
#| autorun: false
# 1.
post <- make.post(trial)
post["week12"] <- "imp[[j]][, i] <- imp[[j]][, i] + 10"
imp_both <- mice(trial, m = 20, seed = 1, printFlag = FALSE, post = post)
summary(pool(with(imp_both, lm(week12 ~ group + base))), conf.int = TRUE)[2, ]
# 2.
summary(lm(week12 ~ group + base, data = trial))$coef["group新薬", ]
```
::: {.callout-tip collapse="true"}
## 解答
1. 新薬の効果はほとんど変わりません(両群を同じだけ悪くしても、群の **差** は変わらないため。脱落の割合が群で違うぶんだけ、わずかに変わります)。感度分析では、**群で異なる δ** を考えることが大切です
2. 完全ケース解析では −5.9 mmHg と、多重代入(−5.7)とほぼ同じです。欠測がベースライン(モデルに入っている説明変数)で決まっているので、完全ケース解析も偏りません(第 2 章)
:::
::: {.callout-important}
## この章のまとめ
- 多重代入は MAR を仮定している。MNAR の可能性には **感度分析** で備える
- **δ 調整法**:代入した値に δ を上乗せして、結論がどう変わるかを見る。mice の `post` 引数で書ける
- **転換点**:結論が変わる δ。それが臨床的にありそうかを専門家が判断する
- 報告には、欠測の量と理由・仮定・代入のモデル・m・完全ケース解析との比較・感度分析を含める
:::