9  演習と、欠測データのチェックリスト

これまでの章の内容を、自分の手で使ってみます。 この章のコードセルは自動では実行されません。空欄(___)を埋めて「Run Code」 を押してください。解答例は各問の下に折りたたんであります。

9.1 欠測データのチェックリスト

# 確かめること 章
1 変数ごとの 欠測の割合 と、完全ケースの人数 を確かめたか 1, 2
2 欠測した人と観測できた人の 特徴を比べた か。欠測の 理由 を調べたか 1
3 欠測のしくみ(MCAR・MAR・MNAR)を、データではなく知識 で考えたか 1
4 完全ケース解析が偏らない条件(欠測が 目的変数によらない)を満たすか 2
5 平均値代入・LOCF・欠測指示変数法などの 単一代入を使っていない か 3
6 多重代入の結果を Rubin のルール(pool())で統合したか 4, 5
7 代入のモデルに 目的変数 を入れたか 6
8 補助変数(欠測と関係する変数、欠測した値と関係する変数)を入れたか 6
9 解析で使う 交互作用・非線形の関係 を、代入のモデルにも入れたか 6
10 カテゴリの変数を factor にしたか。範囲が限られる変数に pmm を使ったか 5
11 収束(plot(imp))と 代入値(densityplot())を確かめたか 7
12 m は欠測のある人の割合(%)くらいか。乱数の種を変えても結果が安定するか 7
13 完全ケース解析 の結果と比べたか 5, 8
14 MNAR の 感度分析(δ 調整法・転換点)をしたか 8
15 欠測の量・理由・仮定・代入のモデル・m・感度分析を 報告 したか 8

9.2 演習 1:コレステロールと生活習慣

adults から 3000 人を選び、総コレステロールを年齢・性別・BMI・運動習慣で説明する回帰を行います。

9.2.1 1-1. 欠測を確かめる

変数ごとの欠測の割合と、回帰で実際に使われる人数を確かめてください。

round(100 * colMeans(is.na(a)), 1)
nobs(fit_cc)

回帰に使われるのは 3000 人のうち 2684 人です。

9.2.2 1-2. 多重代入する

mice で m = 20 の多重代入を行い、同じ回帰を解析・統合して、完全ケース解析と比べてください。

imp <- mice(a, m = 20, seed = 1, printFlag = FALSE)
summary(pool(fit_mi))[, c("term", "estimate", "std.error")]

年齢の係数は、完全ケースで 0.0091、多重代入で 0.0092 と、ほぼ同じです。この例では、2 つの方法で結論は変わりません。

9.3 演習 2:Rubin のルールを手で計算する

m = 5 の多重代入で、ある平均の推定値と標準誤差が次のようになりました。統合した推定値・標準誤差・自由度を計算してください。

W <- mean(se^2); B <- var(est); T <- W + (1 + 1 / m) * B

推定値 5.17、標準誤差 0.417、自由度は約 1070 です。代入間分散 B(0.009)が代入内分散 W(0.163)に比べてとても小さいので、標準誤差は 1 つのデータの標準誤差(約 0.40)とほとんど変わらず、自由度も大きくなります。欠測による情報の損失が小さい例です。

9.4 演習 3:説明変数が目的変数で欠測するとき

full の BMI の 40% を、血圧が高いほど欠測しやすい しくみで欠測させます。完全ケース解析と多重代入で、BMI の係数を比べてください。

d$BMI <- make_missing(full$BMI, miss_prob(full$BPSysAve, 0.4))
s[s$term == "BMI", c("estimate", "std.error")]

欠測前 0.242 に対して、完全ケースは 0.215 と小さく(目的変数で欠測が決まるので偏る、第 2 章)、多重代入は 0.240 です。代入のモデルに血圧が入っているので、BMI の欠測のしくみは MAR になり、多重代入で偏りを取り除けます。

9.5 演習 4:自分のデータで

自分の研究データ(または公開データ)で、チェックリストの 1〜15 を順に確かめてください。とくに、

  • 欠測の理由として考えられること
  • 補助変数として使える変数
  • 結論を不利にする向きの δ と、その臨床的な妥当性

を、データを見る前に書き出しておきましょう。

9.6 確認問題

ノート問題
  1. MAR の「ランダム」は、どういう意味ですか
  2. 欠測が説明変数だけで決まるとき、完全ケース解析の平均と回帰係数は、それぞれ偏りますか
  3. 確率的回帰代入で、推定値の偏りは小さいのに、信頼区間が狭すぎるのはなぜですか
  4. Rubin のルールで、全体の分散 T は何と何からなりますか
  5. 説明変数を代入するとき、目的変数を代入のモデルに入れないと、何が起きますか
  6. m = 5 で多重代入することの問題は何ですか
  1. 「観測されている変数で条件づければ、欠測するかどうかはランダム」という意味。何にもよらずランダムなのは MCAR です(第 1 章)
  2. 平均は偏りますが、回帰係数は(モデルが正しければ)偏りません(第 2 章)
  3. 代入した値の不確かさ(と、代入に使った回帰係数の不確かさ)を無視して、測った値と同じように扱うので、標準誤差が小さすぎるから(第 3 章)
  4. 代入内分散 W(1 つのデータの中での不確かさ)と、代入間分散 B(代入によって結果がどれくらい変わるか)。\(T = W + (1 + 1/m) B\)(第 4 章)
  5. 代入した説明変数と目的変数の関係が 0 に向かって弱まり、係数が小さく推定されます(第 6 章)
  6. 推定値は安定しやすいものの、代入間分散 B の推定が不安定で、標準誤差や p 値が乱数の種しだいで大きく変わる(第 7 章)