MICE — Zincirleme Denklemlerle Çok Değişkenli Atama
Multivariate Imputation by Chained Equations (MICE) · Ayrıca şöyle bilinir: Fully Conditional Specification, Sequential Regression Multivariate Imputation, Chained Equations Imputation, Zincirleme Denklemlerle Çoklu Atama
Zincirleme Denklemlerle Çok Değişkenli Atama (MICE), çok değişkenli veri setlerindeki eksik verileri ele almak için kullanılan yinelemeli bir prosedürdür. Stef van Buuren ve Karin Groothuis-Oudshoorn tarafından R paketi mice (2011) aracılığıyla tanıtılan algoritma, her bir eksik değişkeni, diğer tüm değişkenlere koşullu ayrı bir regresyon modeli kullanarak doldurur ve atanan değerler yakınsayana kadar değişkenler arasında tekrar tekrar döngü yapar. Sonuç olarak, ayrı ayrı analiz edilen ve Rubin kuralları kullanılarak birleştirilen m adet tamamlanmış veri seti elde edilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MICE, verilerin rastgele eksik (MAR) olduğu ve eksikliğin aynı anda birden fazla değişkende meydana geldiği durumlarda uygundur. Esnek değişken başına model spesifikasyonu sayesinde sürekli, ikili, sıralı ve sayım sonuçları için uygundur. Yardımcı modelleme olmaksızın rastgele eksik olmayan (MNAR) veriler için, atama modelinin hantal hale geldiği çok yüksek boyutlu veri setleri için veya anahtar değişkenlerde eksiklik oranlarının %50'yi aştığı durumlarda daha az uygundur. Düşük eksiklik oranlarına sahip MCAR durumunda tek atama veya tam vaka analizi yeterli olabilir.
Güçlü yönler & sınırlılıklar
- Uyarlanmış sütun başına modeller aracılığıyla karma değişken türlerini (sürekli, ikili, sıralı, sayım) ele alır
- Çoklu atanmış veri setleri ve Rubin'in birleştirme kuralları aracılığıyla belirsizliği doğru bir şekilde yayar
- Esnek tahmin edici spesifikasyonu, alan bilgisinin ve yardımcı değişkenlerin atama kalitesini artırmasına olanak tanır
- Kapsamlı teşhis ve aktif bakıma sahip, iyi doğrulanmış R uygulaması (mice paketi)
- Verilerin rastgele eksik (MAR) olduğunu varsayar; ihlaller hassasiyet analizleri veya örüntü-karışım uzantıları gerektirir
- Hesaplama maliyeti, değişken, yineleme ve atama (m) sayısıyla artar
- Gibbs benzeri örnekleyicinin yakınsaması, uyumsuz koşullu modeller için matematiksel olarak garanti edilmez
- Model spesifikasyonu (tahmin edici seçimi, değişken başına atama yöntemi) dikkatli analist yargısı gerektirir
SSS
Kaç tane atanmış veri seti (m) oluşturmalıyım?
Yaygın bir varsayılan m = 5'tir, bu eksiklik oranları düşük olduğunda yeterlidir. White, Royston ve Wood (2011), m'yi yaklaşık olarak eksik vakaların yüzdesine eşit ayarlamayı önermektedir. %20-30'un üzerindeki eksiklik oranları için, birleştirilmiş tahminleri ve standart hataları stabilize etmek için m = 20 veya daha fazlası tavsiye edilir.
MICE, rastgele eksik olmayan (MNAR) verileri işleyebilir mi?
Standart MICE, MAR varsayımını yapar. MNAR altında atama modeli yanlış belirtilmiştir ve potansiyel olarak sonuçları saptırabilir. Analistler, MAR varsayımından olası MNAR sapmaları altında sonuçların nasıl değiştiğini değerlendirmek için hassasiyet analizleri — örneğin, delta-ayarlaması veya örüntü-karışım modelleri kullanarak — yapmalıdır.
Her değişken için hangi atama yöntemini seçmeliyim?
mice paketi, değişken sınıfına göre varsayılanları seçer: sürekli değişkenler için öngörücü ortalama eşleştirme (pmm), ikili değişkenler için lojistik regresyon, sıralanmamış faktörler için politomik regresyon ve sıralı faktörler için orantılı oranlar. Bu varsayılanlar çoğu uygulamalı durumda iyi çalışır, ancak analistler karmaşık dağılımlar için rastgele ormanları veya diğer esnek öğrenicileri ikame edebilirler.
Kaynaklar
- van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of Statistical Software, 45(3), 1–67. DOI: 10.18637/jss.v045.i03 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Multivariate Imputation by Chained Equations (MICE). ScholarGate. https://scholargate.app/tr/statistics/mice-imputation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Beklenti-Maksimizasyon (EM) Algoritmasıİstatistik↔ karşılaştır
- Matris TamamlamaMakine öğrenmesi↔ karşılaştır
- Çoklu Atamaİstatistik↔ karşılaştır