Çoklu Atama — MICE
Multiple Imputation by Chained Equations (MICE) · Ayrıca şöyle bilinir: MICE, Multivariate Imputation by Chained Equations, Çoklu Atama (Multiple Imputation — MICE)
Çoklu atama (ÇA), ilk olarak 1987'de Donald B. Rubin tarafından tanıtılan, eksik verilerle başa çıkmak için ilkeli bir istatistiksel prosedürdür. Her eksik değeri bir kez değiştirmek yerine, ÇA boşlukları m kez doldurur — her seferinde eksik verilerin sonsal öngörüsel dağılımından makul değerler çekerek — m adet tam veri kümesi üretir. Her veri kümesi bağımsız olarak analiz edilir ve sonuçlar Rubin'in havuzlama kuralları kullanılarak tek bir tahmin kümesinde birleştirilir. MICE (Zincirlenmiş Denklemlerle Çok Değişkenli Atama) varyantı, van Buuren ve Groothuis-Oudshoorn (2011) tarafından popülerleştirilmiş olup, her değişkeni sırayla koşullu regresyon modelleri dizisi aracılığıyla atayarak yaklaşımı karışık değişken türlerine genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Çoklu atama, bir veri kümesinde eksik değerler olduğunda ve eksiklik mekanizması muhtemelen MAR veya MCAR olduğunda uygundur. Sürekli, kategorik, ikili, sıralı ve karışık türdeki değişkenlere uygulanır ve kesitsel, boylamsal ve panel veri yapılarına uyar. Yaklaşık 30'luk minimum bir örneklem büyüklüğü gereklidir. Yöntem tanımlayıcı, öngörüsel ve ilişkisel araştırma amaçlarına uygundur. Eksikliğin MNAR olduğu durumlarda, standart çoklu atama yeterli değildir ve bir duyarlılık analizi veya bir seçim modeli ile desteklenmelidir. Liste bazlı silme (tam durum analizi), yalnızca veriler MCAR olduğunda ve eksik verinin oranı çok küçük olduğunda kabul edilebilirdir; aksi takdirde ÇA tercih edilen yaklaşımdır.
Güçlü yönler & sınırlılıklar
- MAR altında, liste bazlı silmenin daha güçlü MCAR varsayımını gerektirmesinin aksine, yansız tahminler üretir.
- Rubin'in havuzlama kuralları aracılığıyla eksik verilerden gelen belirsizliği standart hatalara ve güven aralıklarına yayar, tekil atamanın yapay kesinliğini önler.
- Aynı MICE çerçevesi içinde karışık değişken türlerini — sürekli, ikili, sıralı, nominal — işler.
- Neredeyse tüm sonraki analiz modelleriyle uyumludur, amaçlanan analizde herhangi bir değişiklik gerektirmez.
- Standart istatistiksel yazılımlarda (R mice, SPSS MULTIPLE IMPUTATION, Python IterativeImputer / miceforest) iyi desteklenir.
- MAR veya MCAR varsayımını gerektirir; ek modelleme olmadan MNAR eksikliğini düzeltemez.
- Tekil atama veya liste bazlı silmeden daha fazla hesaplama gerektirir, özellikle büyük m veya büyük veri kümeleriyle.
- Atanan değerlerin kalitesi atama modeline bağlıdır — eksikliğin güçlü öngörücülerini atama modelinden çıkarmak sonuçları saptırır.
- Yüksek eksik veri oranlarında (yaklaşık %50'nin üzerinde), doğru şekilde belirtilmiş çoklu atama bile geniş güven aralıkları verebilir.
SSS
Kaç adet atanmış veri kümesine (m) ihtiyacım var?
Geleneksel minimum m = 5 genellikle çok düşüktür. Yaygın olarak alıntılanan pratik bir kılavuz m ≥ 100 × (eksik veri oranı yüzde olarak ifade edilir) şeklindedir, böylece %10 eksiklik en az m = 10, %30 eksiklik ise en az m = 30 gerektirir. Daha yüksek m, havuzlanmış tahminlerde Monte Carlo hatasını azaltır ve özellikle tekrarlanabilirlik için önemlidir.
MCAR, MAR ve MNAR arasındaki fark nedir?
MCAR (Tamamen Rastgele Eksik), bir değerin eksik olma olasılığının herhangi bir veriye, gözlemlenen veya gözlemlenmemiş — verilerin tamamen şans eseri eksik olmasıyla ilgisiz olması anlamına gelir. MAR (Rastgele Eksik), eksikliğin olasılığının gözlemlenen değerlere bağlı olabileceği ancak gözlemlenmemiş eksik değere bağlı olmadığı anlamına gelir — gözlemlediğiniz şeye koşullandığınızda, eksiklik rastgeledir. MNAR (Rastgele Eksik Olmayan), eksikliğin olasılığının eksik değere bağlı olduğu anlamına gelir. Çoklu atama MCAR ve MAR altında geçerlidir; MNAR altında hala çalıştırılabilir ancak bir duyarlılık analizi ile desteklenmelidir.
Çoklu atama gerçek veri üretir mi?
Hayır. Çoklu atama, eksik veri dağılımının bir modelinden çekilen makul değerler üretir; bunlar gerçek eksik değerler değildir. Yöntemin amacı orijinal verileri kurtarmak değil, eksikliğin getirdiği belirsizliği doğru bir şekilde hesaba katan analiz modeli için tahminler ve standart hatalar üretmektir.
Kategorik veya sıralı değişkenlerle çoklu atama kullanabilir miyim?
Evet. MICE çerçevesi, her değişken için türe uygun bir koşullu model uydurarak karışık değişken türlerini işler: sürekli değişkenler için öngörüsel ortalama eşleştirme veya doğrusal regresyon, ikili değişkenler için lojistik regresyon, nominal veya sıralı değişkenler için politoomik lojistik regresyon veya sıralı regresyon ve esnek bir parametrik olmayan seçenek olarak sınıflandırma ve regresyon ağaçları. Her değişken, türüne uygun modeller kullanılarak sırayla atanır.
Kaynaklar
- Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley. DOI: 10.1002/9780470316696 ↗
- van Buuren, S. & Groothuis-Oudshoorn, K. (2011). mice: Multivariate Imputation by Chained Equations in R. Journal of Statistical Software, 45(3), 1–67. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Multiple Imputation by Chained Equations (MICE). ScholarGate. https://scholargate.app/tr/statistics/multiple-imputation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır