Imputation Multiple sous SAS : Comment utiliser PROC MI pour restaurer vos jeux de données
Ce code est également disponible en :
Dans le cadre d'analyses cliniques ou épidémiologiques, la gestion des données manquantes est une étape critique. L'utilisation de la PROC MI avec la méthode MCMC (Markov Chain Monte Carlo), comme illustrée ici sur les données Fitness1, représente l'état de l'art pour traiter un schéma de données manquantes arbitraire.
Contrairement aux méthodes d'imputation simple qui réduisent artificiellement la variabilité, l'imputation multiple génère ici 5 jeux de données distincts. Cette approche permet de capturer l'incertitude liée aux valeurs absentes en combinant les corrélations entre l'absorption d'oxygène (Oxygen) et les performances physiques.
Type : CREATION_INTERNE
Les données sont créées directement dans le script via une étape DATA avec une instruction DATALINES. Il n'y a aucune dépendance à des fichiers externes.
| 1 | DATA Fitness1; |
| 2 | INPUT Oxygen RunTime RunPulse @@; |
| 3 | DATALINES; |
| 4 | 44.609 11.37 178 45.313 10.07 185 |
| 5 | 54.297 8.65 156 59.571 . . |
| 6 | 49.874 9.22 . 44.811 11.63 176 |
| 7 | . 11.95 176 . 10.85 . |
| 8 | 39.442 13.08 174 60.055 8.63 170 |
| 9 | 50.541 . . 37.388 14.03 186 |
| 10 | 44.754 11.12 176 47.273 . . |
| 11 | 51.855 10.33 166 49.156 8.95 180 |
| 12 | 40.836 10.95 168 46.672 10.00 . |
| 13 | 46.774 10.25 . 50.388 10.08 168 |
| 14 | 39.407 12.63 174 46.080 11.17 156 |
| 15 | 45.441 9.63 164 . 8.92 . |
| 16 | 45.118 11.08 . 39.203 12.88 168 |
| 17 | 45.790 10.47 186 50.545 9.93 148 |
| 18 | 48.673 9.40 186 47.920 11.50 170 |
| 19 | 47.467 10.50 170 |
| 20 | ; |
| 21 |
| 1 | ods graphics on; |
| 2 | PROC MI DATA=Fitness1 seed=501213 nimpute=5 mu0=50 10 180; |
| 3 | mcmc plots=(trace(mean(Oxygen)) acf(mean(Oxygen))); |
| 4 | var Oxygen RunTime RunPulse; |
| 5 | RUN; |