[PDF] Utilisation de la procédure MI et MIANALYZE Pour limputation





Previous PDF Next PDF



Utilisation de la procédure MI et MIANALYZE Pour limputation

3 nov. 2016 Proc MI. Proc MIANALYZE. 3. Problème de Norm. Ass. des estimateurs. M. Nguile-Makao Ph.D. Imputation multiple/Proc MI MIANALYZE SAS 9.3 ...



Multiple Imputation for Missing Data: Concepts and New

Most SAS statistical procedures exclude observations with any missing variable values from the analysis. These obser- vations are called incomplete cases. While 



265-2010: An Introduction to Multiple Imputation of Complex Sample

This paper presents practical guidance on the proper use of multiple imputation tools in SAS® 9.2 and the subsequent analysis of multiple imputed data sets 



Multiple Imputation of Missing Data Using SAS®

Chapter 4: Multiple Imputation for the Analyzsis of Complex Sample Survey Data 49. 4.1 Multiple Imputation and Informative Data Collection Designs .



438-2013: A SAS® Macro for Applying Multiple Imputation to

This paper describes a SAS macro. MMI_IMPUTE



Sensitivity Analysis in Multiple Imputation for Missing Data

Yang Yuan SAS Institute Inc. ABSTRACT. Multiple imputation



SAS/STAT - The MI Procedure

The MI procedure is a multiple imputation procedure that creates multiply imputed data sets for incomplete p-dimensional multivariate data.



Multiple Imputation Using SAS Software

27 déc. 2011 The MI procedure in SAS/STAT software is a multiple imputation procedure that creates multiply imputed data sets for incomplete p-dimensional ...





Multiple Imputation Using the Fully Conditional Specification Method

This presentation emphasizes use of SAS 9.4 to perform multiple imputation of missing data using the. PROC MI Fully Conditional Specification (FCS) method 



Multiple Imputation of Missing Data Using SAS®

Multiple Imputation of Missing Data Using SAS is written to serve as a practical guide for those dealing with general missing data problems in fields such as the social biological and physical sciences; medical and public health research; education; business; and many other scientific and professional disciplines



Using SAS® for Multiple Imputation and Analysis of

The SAS multiple imputation procedures assume that the missing data are missing at random (MAR) that is the probability that an observation is missing may depend on Y obs but not on Y mis (Rubin 1976; 1987 p 53) For example consider a trivariate data set with variables Y 1 and Y 2 fully observed and a variable Y 3 that has missing values



Multiple Imputation Using the Fully Conditional - SAS Support

ABSTRACT This presentation emphasizes use of SAS 9 4 to perform multiple imputation of missing data using the PROC MI Fully Conditional Specification (FCS) method with subsequent analysis using PROC SURVEYLOGISTIC and PROC MIANALYZE The data set used is based on a complex sample design



Using SAS® for Multiple Imputation and Analysis of

Using SAS® for Multiple Imputation and Analysis of Longitudinal Data Patricia A Berglund Institute for Social Research-University of Michigan ABSTRACT “Using SAS for Multiple Imputation and Analysis of Data” presents use of SAS to address missing data issues and analysis of longitudinal data



Multiple Imputation for Skewed Multivariate Data: A - SAS

based imputation methods are applicable for the analysis of multivariate skewed data Our work here builds on this crucial and important observation The objective of this work is to illustrate the implementation of above ideas by applying the copula transformation using PROC COPULA and to combine PROC MI for multiple imputation



210-29: Model-Based Multiple Imputation - SAS Support

The purpose of this paper is to demonstrate how to use SAS/STAT and SAS/IML to build model- based multiple imputation macros such that analysts can streamline the analytical process without performing these tasks step by step This paper introduces the analytical components of the model-based multiple imputation macros



265-2010: An Introduction to Multiple Imputation of Complex

This paper presents an outline of the process of multiple imputation and application of the three step process of imputation using PROC MI analysis of imputed data sets using SAS analysis procedures including Survey procedures for complex survey data and use of PROC MIANALYZE for analysis of imputed data sets and output



Multiple Imputation: A Statistical Programming Story - PharmaSUG

Multiple imputation (MI) is a technique for handling missing data MI is becoming an increasingly popular method for sensitivity analyses in order to assess the impact of missing data The statistical theory behind MI is a very intense and evolving field of research for statisticians



Sensitivity Analysis in Multiple Imputation for Missing Data

Multiple imputation inference involves three distinct phases: 1 The missing data are ?lled in m times to generate m complete data sets 2 The m complete data sets are analyzed by using standard SAS procedures 3 The results from the m complete data sets are combined for the inference



Multiple imputation as a valid way of dealing with missing data

Multiple imputation provides a useful and effective way for dealing with missing data This process results in valid statistical inferences that properly reflect the uncertainty due to missing values This paper reviews methods for analyzing missing data including basic approach and applications of multiple imputation techniques



A SAS Macro to Perform Kaplan-Meier Multiple Imputation for

THE KAPLAN-MEIER MULTIPLE IMPUTATION (KMI) APPROACH The KMI approach reformulates competing risks as a missing data problem meaning that the potential censoring time for those people who experience the competing event is missing or unobserved



Searches related to imputation multiple sas filetype:pdf

Contents v 6 4 2 Imputation of Classification Variables with Mixed Covariates and an Arbitrary Missing Data Pattern Using the MCMC/Monotone and Monotone Logistic Methods with a Multistep

What is using SAS for multiple imputation and analysis of data?

  • “Using SAS for Multiple Imputation and Analysis of Data” presents use of SAS to address missing data issues and analysis of longitudinal data. Appropriate multiple imputation and analytic methods are evaluated and demonstrated through an analysis application using longitudinal survey data with missing data issues.

What is multiple imputation of missing data?

  • Multiple Imputation of Missing Data Using SAS for an arbitrary missing data pattern can be employed. As with any imputation problem, the recommended imputation method depends on the pattern of missing data and the type of variables to be imputed. 1.3 Item Missing Data Mechanisms

Is there a macro for performing multilevel imputation?

  • Although multiple imputation does not suffer from this limitation, most software packages (including SAS®) include only single-level multiple imputation procedures. This paper aims to make the analysis of incomplete multilevel data easier by presenting a new SAS macro for performing multilevel imputation, MMI_IMPUTE.

What are the criticisms of the multiple imputation method?

  • The most valid criticisms of the multiple imputation method (Fay 1996; Kim et al. 2006) have zeroed in on the notion that the imputer's statistical model for the imputation might be very different from the data models of interest to the many data analysts who will subsequently use the multiply imputed data. For example, in y kmis, y kmis, 14

Données Manquantes

Imputation multiple MI

normalité assymptotiqueUtilisation de la procédure MI et MIANALYZE

Pour l"imputation multiple en SAS 9.3

M.Nguile-Makao Ph.D.

Pr. Vincent Vradet MD. Ph.D

Unité méthodologique du Centre Clinique et Évaluative en Oncologie

Hôtel-Dieu de Québec Laval Université

____________

3 novembre 2016

M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiquePlan

1Généralité sur les données manquantes

Problématique des données manquantes

Méthodes d"analyse

2Imputation multiple MI

Théorie MI

Proc MI

Proc MIANALYZE

3Problème de Norm. Ass. des estimateurs

M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes

Méthodes d"analyseDonnées manquantes

Plus de 95% des données utilisées dans des études statistiques contiennent de l"information manquantes.Sources :Essais cliniques .Sortie d"études .Perdus de vue .Enquêtes .Non réponse partielles .Non réponse totales .Erreurs de recueil de donnéesAnalyse de survie .Censure .TroncaturesEtc. M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes

Méthodes d"analyseDéfinition DMs

Définition de DMs

.DMs d"un jeu de donnéesXest la matrice de données pour laquelle quelques valeurs réelles deXsont inconnues. .X=(Xij)i;j2Rpnun jeu de données,X=(Xo;Xm) oùXoest la matrice des observées etXmla matrice des manquantes. .R=(Rij)i;i2Rpnmatrice des indicatrices oùrij=1 si DM ou 0 sinon.Distribution de DMs .Mécanisme des DMs est spécifié par la distribution de R sachant X.

Pr(R=rjX;)=p(rjxo;xm;)

Notation

: DM valeurs manquantesM. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes

Méthodes d"analyseTypologie des DMs

Little & Rubin (1987) proposent une typologie des DMsMAR: Missing At Random. .Probabilité qu"une observation soit manquante ne dépend pas des mesures observées ou des mesures non observées. p(rjxo;xm;)=p(r;):MCAR: Missing Completely At Random. .Connaissant les données observées, la probabilité qu"une observation soit manquante ne dépend pas des données non observées. p(rjxo;xm;)=p(rjxo;)MNAR: Missing Non At Random .Probabilité qu"une observation soit manquante dépend des données observés et des données non observées. p(rjxo;xm;)=p(rjxo;xm;)M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes

Méthodes d"analysePattern des DMs

Diérents patterns des DMsLexique

(a) :DMsunivariées. (b) :DMsmonotones (c) :DMsnon monotonesM. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes

Méthodes d"analyseExemples

Exemples des DMs

Considérons une base de données (BD) des patients atteints du cancer de la prostate(PCa). BD=(âge, Gleason,PSA).MCAR

.La probabilité que l"âge soit NA ne dépend ni des valeurs observées et non observées du Gleason, ainsi que ceux de la PSA, de plus elle est la même pour tous les sujets.MAR .La probabilité que l"âge soit NA ne dépend que des valeurs observées du Gleason et la PSA (valeurs observées). Elle n"est pas la même pour tous les sujets.NMAR .La probabilité que l"âge soit NA dépend des non observées valeurs du Gleason et de la PSA (valeurs non observées). Elle n"est pas la même pour tous les sujets. M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes

Méthodes d"analyseImpacts des DMs

En présence des DMs de type MCAR

.Perte de précision (Puissance) .Aucun biaisEn présence des DMs de type MAR .Perte de précision (Puissance) .Aucun biais pour des méthodes d"inférence par maximum de vraisemblance

En présence des DMs de type MNAR

.Perte de précision (Puissance) .Biais

Remarque

Il est très dicile de savoir quelle est le vraie mécanisme des DMs ou au moins laquelle de

typologie est le plus probable. Il y a une part d"avis subjectif dans le choix mais ce peut-être un

avis éclairé! M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes Méthodes d"analyseMéthodes suppression/tolérance des DMsAnalyse des cas-concrets .Suppression des DMs (problématique si NMAR))Analyse des cas disponibles .Suppression par paire ("Pairwise deletion") http ://www.ats.ucla.edu/stat/sas/modules/missing.htmTolère les DMs .Méthode CART Leonard Gordon.Using Classification and Regression Trees (CART) in SASR

Enterprise Miner

TMFor Applications in Public Health.Data Mining and Text

Analytics, SAS Global Forum (2013).

M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueProblématique des données manquantes Méthodes d"analyseMéthode d"imputation simple

Imputation simple : Définition

.Méthode basée sur la substitution à une DM une valeur choisie de manière pertinente via des algorithmes.Méthodes en sas .Imputation par moyenne ou médiane .CMCF (Concept Most Common Attribute Value Fitting) .LOCF (Last observation carried forward, LOCF) .KNN (k-nearest neighbors) .Regression local (LOESS) .L"algorithm NIPALS (Nonlinear Iterative Partial Least Squares ) .L"algorithme EM (Expectation maximization)Remarque L"imputation simple est dangereuse car elle ne permet pas d"évaluer l"incertitude de la valeur imputée par rapport à la vrai valeur. D"ou imputation multiple! M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEMéthode star!

Imputation multiple (MI) Rubin 1987v1 v2 ... v3 NA NA NA v1 v2 ... v3 v31 ... v21 v1 v2 ... v3 v32 ... v22 v1 v2 ... v3 v3M ...v2M

Résultats combinés ES(Q, U) ES(Q

1 , U 1 ES(Q 2 , U 2 ES(Q i , U i ES(Q M , U M

MI Analyse Combinaison Règle de Rubin M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEProcédure MI SAS

proc MI sas 9.3 .PROCMI ;

BYvariables;

CLASSvariables;

EM;

FCS;

FREQvariable;

MCMC;

MONOTONE;

TRANSFORMtransform ( variables)<...transform ( variables)>;

VARvariables;Définitions

.FCS : imputation multivariée par chaîn (supposant une distribution conjointe existe). .MCMC : Monte Carlo Markov Chaine .

.MONOTONE : pour la typologie monotone des DMM. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEMéthodes associées à la proc MI

Méthodes de la procédure MI sas 9.3

Pattern DM Variable Methodes

Monotone Continuous Monotone regression

Monotone predicted mean matching

Monotone propensity score

Monotone ordinal Monotone logistic regression

nominal Monotone discriminant function

Arbitrary Continuous MCMC full-data imputation

MCMC monotone-data imputation

Arbitrary Continuous FCS regression

FCS predicted mean matching

Arbitrary ordinal FCS logistic regression

nominal FCS discriminant function M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEExemple de données

Les données

Figure:Data Prostate cancer (hotel-Dieux Québec) et Fish (SAS) M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEExemple MI

Imputation par défaut (MCMC )

.Programme(R1;1) proc mi data=Fish1seed =1396nimpute =5out =datimp0round =:1; var

Length1 Length2 Length3 ;

run;Imputation par la méthode de régression (monotone) .Programme(R1;2) proc mi data=Fish1seed =1396nimpute =5out =datimp1round =:1; monotone reg (Length2)regpmm(Length3=Length1 Length2); var Length1 Length2 Length3 ;run;Imputation par la méthode de régression (arbitraire) .Programme(R1;3) proc mi data=Fish1seed =1396nimpute =5out =datimp2; FCS regression ; var

Length3 Length1 Length2 ;

run;M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZERésultats du prog.R1;1Resultat du progR1;1Figure:Résultat de la MI du programme R1;1M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEDonnées complétés prog.R1;1Résultat du progR1;1Figure:Données complétés de Fish (SAS) M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZERésultats de la MI pour les prog.R1;2&R1;3RésultatR1;2Figure:Fish(SAS) RésultatR1;3Figure:Fish (SAS) M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEExemple 2

Imputation variable nominale prog.R2;1

.procmi data=datPca1seed =37851nimpute =5out =dPcaImp0; class agecl1 stade ; fcs logistic ; var br br _time marge stade ki67 agecl1 PSA0; run;Imputation multi-étapes prog.R2;2 .Étape 1 proc mi data=datPca1seed =155417nimpute =5out =dPcaImp1; mcmc impute =monotone; var br br _time marge ki67 PSA0; run; .Étape 2 proc mi data=dPcaImp1nimpute =1seed =51343out =datr; monotone reg ; var br br _time marge ki67 PSA0; by_Imputation_;run;M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEDonnées complétés prog.R2;1Résultat du progR2;1Figure:Données complétés de Pca M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEDonnées complétés prog.R2;2Résultat du progR2;2étape1Figure:Données complétés étape 1 PCa M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEDonnées complétés prog.R2;2Résultat du progR2;2étape 2Figure:Données complétés étape 2 PCa M. Nguile-Makao Ph.DImputation multiple/Proc MI MIANALYZE SAS 9.3

Données Manquantes

Imputation multiple MI

normalité assymptotiqueThéorie MI

Proc MI

Proc MIANALYZEproc MIANALYZE

Syntaxe

.PROCMIAN ALYZE;BYvariables;CLASSvariables; MODELEFFECTSeects;
[PDF] imputation multiple sous r

[PDF] imputation par la médiane

[PDF] imputation rationnelle controle de gestion

[PDF] imputation rationnelle définition

[PDF] imputation rationnelle des charges fixes definition

[PDF] imran hosein books arabic pdf

[PDF] imran hosein francais 2017

[PDF] imran hosein pdf francais

[PDF] imt orange

[PDF] imt paris

[PDF] imt pole emploi

[PDF] in company worksheets

[PDF] in windows vista

[PDF] inadaptation scolaire pdf

[PDF] inadapté en arabe