欠測データと多重代入 ハンズオン

欠測のしくみから、完全ケース解析・単一代入の落とし穴、mice による多重代入と Rubin のルール、感度分析まで

公開

2026年10月17日

はじめに

English version available — Read in English (machine-assisted translation by generative AI).

臨床研究や疫学のデータには、ほぼ必ず 欠測 があります。来院しなかった、採血できなかった、質問に答えなかった、途中で研究をやめた…。 R の lm() は、欠測のある行を黙って除いて解析します。しかし、その裏では、

  • 除いた人は、残った人と同じような人なのか
  • 平均値で埋めれば済むのではないか
  • 「多重代入」は、何をしていて、なぜ正しいのか
  • 代入のモデルに、何を入れればよいのか
  • 欠測のしくみが分からないとき、結論をどこまで信じてよいのか

といったことが、たくさん省略されています。

このハンズオンでは、本当の値が分かるデータ に自分で欠測を作り、完全ケース解析・単一代入・多重代入の結果を本当の値と比べながら、欠測データの扱い方を体験します。

このハンズオンのゴール

  1. 欠測のしくみ(MCAR・MAR・MNAR)を説明し、データから分かること・分からないことを区別できる
  2. 完全ケース解析 が偏る場合と偏らない場合を判断できる
  3. 平均値代入などの 単一代入の問題 を説明できる
  4. 多重代入の 3 ステップと Rubin のルール を、手で計算して説明できる
  5. mice で多重代入を行い、代入のモデル・収束・m を適切に決められる
  6. MNAR の 感度分析(δ 調整法・転換点)を行い、欠測データの扱いを報告できる

対象読者

  • 臨床研究・疫学・ヘルスケアデータの解析に関わる方(これから関わる方)
  • 平均・標準偏差・回帰・信頼区間の意味が、なんとなく分かる方
  • R は「コードを読んで、少し書き換えて実行できる」程度で大丈夫です

ブラウザで R が動きます

各章のコードセルは、あなたのブラウザの中で R が実行されています(webR という技術)。 コードを書き換えて「Run Code」を押せば、すぐに結果が変わります。インストールは不要です。

ノート
  • 各章を開いた直後は、R とパッケージの読み込みに 数十秒〜1分ほど かかります(第 5 章以降は mice パッケージを読み込むので、少し長めです)
  • シミュレーションや多重代入のセルは、数秒〜十数秒 かかることがあります
  • PC での閲覧を推奨します

使うデータ

データ 内容 主に使う章
adults NHANES 2009–2012 の 20〜79 歳 10990 人。年齢・性別・BMI・血圧・コレステロール・運動・収入。実際の欠測をそのまま含む 1, 2, 5, 7
full adults のうち欠測のない人から選んだ 2000 人。本当の値が分かっているデータ として、自分で欠測を作って使う 1〜8
警告データの注意
  • full の 収縮期血圧は、本当の関係が分かるように、NHANES の年齢・BMI・性別との関係をまねてシミュレーションで作り直した値です。補助変数の 家庭血圧 も、教材用に作った値です
  • NHANES の標本は、一部の人種・年齢層を多めに集めた調査です。重みを使わずに集計しているので、米国の母集団の値ではありません(重みの話は 記述統計ハンズオン の第 5 章)

章の構成

章 内容
1 欠測のしくみ(実際の欠測パターン、MCAR・MAR・MNAR、データから分かること)
2 完全ケース解析(黙って減る行、平均と回帰係数、偏らない条件、精度の低下)
3 単一代入の落とし穴(平均値代入・回帰代入・確率的回帰代入、被覆率)
4 多重代入と Rubin のルール(手で書く多重代入、適切な代入、被覆率)
5 mice で多重代入する(3 ステップ、連鎖方程式、予測平均マッチング)
6 代入のモデルに何を入れるか(目的変数、補助変数、交互作用)
7 代入を確かめる・m を決める(収束、代入値の分布、m と標準誤差の安定)
8 MNAR の感度分析と報告(δ 調整法、転換点、報告に含めるもの)
9 演習と、欠測データのチェックリスト

各章は「本当の値が分かるデータに欠測を作る → いろいろな方法で解析する → 本当の値と比べる → 何百回も繰り返して平均的な偏りと被覆率を確かめる」という流れです。

関連するハンズオン:記述統計ハンズオン(第 4 章で欠測の記述)、サンプルサイズと検出力ハンズオン(脱落を見込んだ人数)、交絡ハンズオン(回帰モデルの立て方)。