mice包sample插补方法异常：目标变量仍存缺失值求助

问题背景 #

处理一个包含24000条观测、98个变量的数据集，使用mice包做缺失值插补：部分变量指定用sample方法插补，其余分类变量用pmm/logreg等方法。但插补完成后，发现用sample方法的变量仍存在缺失值。已确认：

• method参数中目标变量的设置确实为"sample"
• 预测矩阵中这些变量的所有预测因子都设为0
• 访问顺序中把目标变量放在无缺失变量之后

但用模拟数据或提取目标变量子集测试时，sample插补完全正常，原以为sample方法独立于其他变量，现在陷入困惑。

附使用代码：

#produce prediction matrix 
pred1 <- quickpred_ext(data1, mincor = 0.08, include = "age")
pred2 <- pred1

# for vars to not be imputed, set all predictors to 0
data_no_impute <- data1 %>% 
  select(contains(c("exp_", "outcome_"))) %>% 
  select(sort(names(.))) %>% 
  names

data_level3 <- data1 %>% 
  select(contains(c("f4", "f5", "f6")), 
         k22) %>% 
  select(sort(names(.))) %>% 
  names

pred2[data_no_impute,] <- 0
pred2[data_level3,] <- 0

#produce initial methods and visit sequence
initial <- mice(data1, max = 0, print = F, vis = "monotone", 
                defaultMethod = c("pmm", "logreg", "polyreg", "polr"))

#edit methods to be blank for vars I don't want to impute, "sample" for level 3
meth1 <- initial$meth
meth2 <- meth1
meth2[data_level3] <- "sample"
meth2[data_no_impute] <- ""

visits1 <- initial$visitSequence
visits2 <- visits1
visits2 <- append(visits2, data_level3,22)

#run mice test
mice_test <- mice(data1, m = 2, print = F, 
                  predictorMatrix = pred2,
                  method = meth2,
                  vis = visits2,
                  nnet.MaxNWts = 3000)

#pull second completed dataset
imput1 <- mice::complete(mice_test, 2, include = F)

#look at missingness patterns
missingness_pattern2 <- md.pattern(imput1, plot = F) 

可能的原因及修复方案 #

1. 访问序列存在重复或位置错误 #

你用append(visits2, data_level3,22)插入目标变量，但原序列中可能已经包含这些变量，导致插补逻辑混乱；或者插入位置并未真正在所有无缺失变量之后。

• 排查：运行print(visits2)查看序列是否有重复变量，确认目标变量位置
• 修复：先移除原序列中的目标变量，再追加到末尾：

  visits2 <- visits1[!visits1 %in% data_level3]
  visits2 <- c(visits2, data_level3)
  

2. 预测矩阵的双向设置遗漏 #

pred2[data_level3,] <- 0只设置了目标变量作为被插补项时的预测因子，但其他变量的预测因子中可能仍包含这些目标变量（即pred2[, data_level3]不为0），导致插补依赖关系混乱。

• 排查：运行sum(pred2[, data_level3])，若结果不为0则说明存在依赖
• 修复：把目标变量从所有其他变量的预测因子中移除：

  pred2[, data_level3] <- 0
  

3. 迭代次数不足 #

默认max=5的迭代次数可能不足以处理大规模数据集的缺失值，导致部分缺失未被覆盖。

• 修复：增加迭代次数：

  mice_test <- mice(data1, m = 2, print = F, 
                    predictorMatrix = pred2,
                    method = meth2,
                    vis = visits2,
                    nnet.MaxNWts = 3000,
                    max = 10)
  

4. 变量类型或缺失值定义异常 #

目标变量可能存在隐性类型问题（比如数值型被识别为因子），或存在空字符串、特殊值被误判为缺失，导致sample方法无法读取有效非缺失值。

• 排查：运行以下代码确认变量类型和缺失情况：

  sapply(data1[data_level3], class)
  sapply(data1[data_level3], function(x) table(is.na(x)))
  

验证步骤 #

每次修改后，先用小批量数据测试，避免浪费时间：

# 取1000行样本测试
test_data <- data1[sample(nrow(data1), 1000), ]
# 重复插补流程
mice_test_small <- mice(test_data, m = 2, print = T, 
                        predictorMatrix = pred2,
                        method = meth2,
                        vis = visits2,
                        nnet.MaxNWts = 3000)
imput_small <- complete(mice_test_small, 2)
md.pattern(imput_small, plot = F)

如果小批量测试正常，再逐步扩大样本量，确认问题是否与数据集规模相关。

内容的提问来源于stack exchange，提问作者WanderingEpi