Manglende data

Inspicér missingness og håndtér den: complete-case eller multipel imputation

Published

July 2, 2026

Warning

Under udvikling.

Registerdata har næsten altid manglende værdier. Nogle er strukturelle (en variabel blev ikke indsamlet i alle år) - det er ikke tilfældigt, så tænk over hvorfor en værdi mangler, før du håndterer den. To gængse tilgange: brug kun komplette rækker (complete-case), eller multipel imputation.

Note

Kodeeksemplerne bruger generiske sti- og variabelnavne. Tilpas til dit projekt. naniar og mice skal være installeret i dit R-miljø på DST.

Inspicér missingness

Start med at se, hvor og hvor meget der mangler.

library(naniar)                            # overblik over manglende data

df <- readRDS("sti/til/analyse.rds")       # analyseklart datasæt

miss_var_summary(df)                       # tabel: antal og andel manglende per variabel
gg_miss_var(df)                            # samme som figur
vis_miss(df)                               # "kort" over hvor i datasættet værdier mangler

Tilgang 1: complete-case

Mange R-funktioner dropper selv rækker med NA (listwise sletning). Det er enkelt, men kan give bias og tab af styrke, hvis data ikke mangler helt tilfældigt.

df_complete <- na.omit(df)                 # behold kun rækker helt uden NA (brug bevidst)

Tilgang 2: multipel imputation (mice)

mice står for Multivariate Imputation by Chained Equations og er den mest brugte R-pakke til multipel imputation (mice på CRAN). Idéen er at udfylde de manglende værdier flere gange, fitte din model på hvert udfyldt datasæt, og samle resultaterne, så usikkerheden ved selve imputeringen tælles med.

library(mice)                              # md.pattern(), mice(), with(), pool()

md.pattern(df)                             # hvilke variable mangler SAMMEN? (mønstre), ikke kun hvor meget

# --- TRIN 1: udfyld hullerne (imputér) ---
# mice() bygger IMPUTERINGSmodellen og laver m komplette datasæt. Som udgangspunkt
# bruger den ALLE kolonner i df til at forudsige hver variabel med huller. Dette er
# IKKE din analyse - det fylder kun de manglende værdier ud.
# m = antal imputerede datasæt. Du vælger det selv. Tommelfingerregel: mindst lige
# så mange som procenten af rækker med mindst ét hul (er fx 30 % af rækkerne
# ufuldstændige => sæt m omkring 30). I dag bruges typisk 20-50; flere m => mere
# stabilt, men langsommere.
imp <- mice(df, m = 20, seed = 123)        # seed = fast tal => reproducerbart (samme idé som matching, se 10a)

# --- TRIN 2: kør DIN analyse på hvert udfyldt datasæt ---
# Her vælger DU ANALYSEmodellen (dit forskningsspørgsmål): hvilke variable der indgår,
# står i glm() - ikke i mice(). with() kører den samme glm() på HVERT af de 20 datasæt.
fit <- with(imp,
            glm(udfald ~ eksponering + alder, family = binomial))

# --- TRIN 3: saml resultaterne til ét ---
pool(fit) %>% summary()                    # saml de 20 estimater til ét resultat (Rubins regler, se nedenfor)

complete(imp, 1)                           # det første udfyldte datasæt, hvis du vil inspicere det

Hvordan finder den værdierne?

For hver variabel med manglende værdier bygger mice en regressionsmodel, der forudsiger variablen ud fra de øvrige variable. Den manglende værdi udfyldes ikke med ét “bedste gæt”, men med en tilfældig trækning fra den forudsagte fordeling. Derfor bliver de 20 datasæt forskellige.

“Chained equations” beskriver, hvordan mice klarer flere variable med huller på én gang: den tager dem én ad gangen, imputerer den første ud fra de øvrige, går videre til den næste og bruger nu den netop udfyldte første variabel med, og så videre. Den kører flere runder igennem (kæden), indtil variablene er imputeret konsistent ud fra hinanden.

Imputation påvirker både estimatet og konfidensintervallet. Estimatet er gennemsnittet på tværs af de 20 datasæt. Konfidensintervallet bygger på Rubins regler - standardmetoden til at kombinere resultater fra flere imputerede datasæt (Rubin 1987): den lægger spredningen mellem datasættene oven i modellens egen usikkerhed. Jo mere de imputerede værdier er uenige fra datasæt til datasæt, jo større bliver det bidrag, og jo bredere bliver konfidensintervallet. Det er netop pointen: er der lidt i de observerede data at imputere ud fra, skal usikkerheden afspejle det.

Hvornår kan man bruge det?

Imputation giver mest mening, når en ikke-ubetydelig del af data mangler, og complete-case enten ville være biased eller spilde for mange rækker. Er complete-case allerede unbiased (se regressionstilfældet nedenfor), er den vigtigste gevinst ved imputation styrke, ikke korrekthed.

mice hviler på antagelsen MAR (missing at random). MAR betyder ikke, at hullerne er rene tilfældigheder. Det betyder, at årsagen til, at en værdi mangler, ligger i noget, du har målt, ikke i den manglende værdi selv.

Analogi: antag at ældre patienter oftere springer et spørgsmål over. Så længe du har alderen registreret, er det uproblematisk - inden for hver aldersgruppe ligner dem, der mangler svaret, dem der svarede, og mice kan udfylde ud fra de observerede. Hullet skyldes alderen (som du har), ikke selve det manglende svar. Antagelsen kan ikke testes i data, kun vurderes fagligt.

  • Manglende covariater: den klassiske brug. Medtag her udfaldet i imputeringsmodellen. Det lyder bagvendt, men er nødvendigt: udelader du udfaldet, trækker du sammenhængen mellem covariat og udfald kunstigt mod nul. At medtage udfaldet tilføjer ikke en ekstra antagelse, det respekterer bare den sammenhæng, du senere vil estimere.
  • Manglende eksponering: her er det mere usikkert. I princippet kan eksponering imputeres som enhver anden variabel, men det er mere skrøbeligt, og om det overhovedet er forsvarligt afhænger meget af situationen og af, hvor godt eksponeringen kan forudsiges af de øvrige data. Søg specifik vejledning, før du gør det.
  • Manglende udfald: her giver imputation mindst. Imputerer du kun udfaldet ud fra de samme variable, som allerede er i analysemodellen, ender du typisk med samme resultat som complete-case. Reel gevinst kræver ekstra hjælpevariable (auxiliary), der forudsiger udfaldet. Et alternativ er inverse probability weighting (IPCW), se IP-vægtning.
Important

MAR-antagelsen er det afgørende, ikke procenten. mice retter kun op på bias, hvis missingness er MAR: at årsagen til, at en værdi mangler, ligger i de observerede data. Mangler en variabel netop pga. den værdi, der mangler (fx at de sygeste aldrig får den målt), er data MNAR (missing not at random), og så kan mice indføre sin egen bias og give falsk præcision. MAR kan ikke testes i data, kun vurderes fagligt.

Derfor er imputation ikke automatisk bedre end blot at acceptere noget missing:

  • Under MCAR (missing completely at random, helt tilfældigt) er complete-case allerede unbiased, bare mindre effektivt.
  • I en regressionsmodel er complete-case faktisk unbiased, når missingness ikke afhænger af udfaldet givet covariaterne, også selv om det ikke er MCAR. (Det at analysere kun de observerede er at betinge på at være observeret; det skaber kun bias, når det at blive observeret afhænger af både eksponering/covariater og udfald - altså en collider.)
  • mice er kun så god som den imputeringsmodel, du giver den. Vælger du de forkerte variable til at forudsige de manglende værdier, bliver de udfyldte værdier, og dermed dit resultat, også forkerte. mice opfinder ikke information; den udnytter kun de sammenhænge, der allerede ligger i data.
Important

Hvor meget missing er okay? Der er ingen reel procent-grænse (5 % / 10 % / 40 % er tommelfingerregler uden fundament). Det afgørende er mekanismen og hvor godt det manglende kan forudsiges af resten. I praksis: rapportér altid hvor meget der mangler per variabel (STROBE), behandl resultater med høj missingness (groft >40-50 % på en nøglevariabel) som sensitivitets-/hypotesegenererende, og kør complete-case og mice side om side som sensitivitetsanalyse. Peger de samme vej, står du stærkere.

Warning

Det her er kun en meget kort introduktion til imputation. Siden viser, hvordan du kører mice i praksis, ikke hvornår det er fagligt forsvarligt. Sæt dig ind i den grundlæggende teori (MAR/MCAR/MNAR, valg af imputeringsmodel, antal imputationer, diagnostik) andetsteds, fx:

Analysen af det imputerede datasæt hører til Fase 13 - Analyse.

TipLæs mere

Generel uddybning i The Epidemiologist R Handbook (på engelsk):

Back to top