一种挽救你缺失数据的好方法——多重补插

一种挽救你缺失数据的好方法——多重补插

引用

搜狐

1.

https://www.sohu.com/a/275318909_777125

在医学研究中，数据缺失是一个常见的问题，它可能导致信息损失并影响研究结果的准确性。本文将介绍一种处理缺失数据的有效方法——多重补插（Multiple Imputation, MI），并使用R语言进行具体实现。

缺失数据的分类与处理原则

在医学研究中，数据缺失可能由多种原因造成，如实验设计问题、检测手段精度限制或不可抗力因素等。根据缺失的原因和模式，数据缺失可以分为以下三类：

• 完全随机缺失（MCAR）：数据缺失与观测值和未观测值均无关。
• 随机缺失（MAR）：数据缺失与观测值有关，但与未观测值无关。
• 非随机缺失（NMAR）：数据缺失与未观测值有关。

对于NMAR类型的数据缺失，最好的处理方式是重新设计实验或获取数据。而对于MCAR和MAR类型的数据缺失，可以采用多种补插方法进行处理。当缺失数据量较少（如小于5%）时，可以考虑删除或成对删除的方式；当缺失数据量较多时，则需要采用更复杂的补插方法。

多重补插的基本原理

多重补插（MI）是一种基于模型的补插方法，其核心思想是通过已观测到的值预测缺失值，并在预测值上添加不同的偏差，生成多组可选补插值。具体步骤如下：

1. 通过已知数值建立插值函数，估计出待插补的值，然后在数值上再加上不同的偏差，形成多组可选插补值，形成多套待评估的完整的数据集；
2. 对所产生的数据集进行统计分析；
3. 评价每个数据集的结果，根据模型的评分选择最佳的补插值。

使用R语言实现多重补插

本次分析使用R语言进行。首先加载必要的包并读取数据：

library(mice)
data(nhanes)

数据集nhanes包含四个变量：年龄分组（age）、体重指数（bmi）、是否高血压（hyp）和总胆固醇（chl）。通过VIM包的图形命令可以方便地展示缺失值的数量比例、分布与影响：

从图中可以看出，数据集存在较高的缺失比例，且有多个指标同时缺失的情况，因此不适合使用删除法处理。

数据补插的具体实现

使用mice包进行数据补插：

imp <- mice(nhanes, m = 5, method = "pmm", seed = 500)

其中，m参数表示生成的数据集数目，method参数指定补插方法，这里使用了预测均值匹配（Predictive Mean Matching, PMM）方法。

接下来，对补插后的数据集进行分析：

fit <- with(imp, lm(chl ~ age + bmi + hyp))
pooled_fit <- pool(fit)
summary(pooled_fit)

通过对比补插前后的数据，可以发现补插值（洋红点）与观测值（蓝色点）呈现出相似的分布，表明补插效果良好：

结论

多重补插是一种有效的处理缺失数据的方法，它通过生成多组补插数据并综合分析结果，可以提高数据的完整性和分析的准确性。虽然多重补插能够挽救大量实验数据，但在实际研究中，最好能在数据收集阶段就尽量避免数据缺失。

延伸阅读

1. How to use multiple imputation for missing data in epidemiological studies: an introductory tutorial
2. Multiple imputation for missing data in air quality monitoring
3. Multiple imputation of missing blood pressure measurements in a large epidemiological study
4. Multiple imputation of missing blood pressure measurements in a large epidemiological study