Données manquantes sous SAS : Comment utiliser PROC MI pour ne plus biaiser vos analyses

Pour traiter efficacement les données manquantes, l'utilisation de la PROC MI avec la méthode MCMC est une approche d'expert qui surpasse l'imputation simple en préservant la variabilité et les relations de corrélation entre vos variables. Dans ce script, l'algorithme génère par défaut 25 imputations (paramètre NIMPUTE), créant ainsi un jeu de données étendu où chaque valeur manquante est remplacée par plusieurs estimations plausibles. La réussite technique de cette opération repose sur deux piliers : d'une part, l'hypothèse que vos données suivent une distribution normale multivariée (condition sine qua non du MCMC standard) et, d'autre part, la convergence de la chaîne de Markov. Il est crucial d'ajouter l'option PLOTS=TIMEPLOT pour vérifier visuellement que les itérations se stabilisent avant l'imputation finale. Enfin, n'oubliez pas que ce n'est que la première étape : vous devrez ensuite analyser ces 25 jeux de données via la procédure statistique de votre choix (comme PROC REG ou GLM) et combiner les résultats avec PROC MIANALYZE pour obtenir des inférences valides qui tiennent compte de l'incertitude liée aux données manquantes.