缺失数据处理一直是机器学习实践中的难点。MICE（Multivariate Imputation by Chained Equations）作为一种基于迭代思想的插补框架，可以处理复杂缺失值问题。因为它不是简单地用均值或中位数填补空缺，而是通过构建后验分布来建模不确定性，这种处理方式在统计学上更为严谨。
但MICE的学习曲线优点陡峭，迭代机制和模型依赖特性也让不少人望而却步，所以本文会通过PMM（Predictive Mean Matching）和线性回归等具体方法，拆解MICE的工作原理，同时对比标准回归插补作为参照。
MICE的基本概念
插补方法大致可以分三类：统计方法（均值、中位数、众数）、基于模型的方法（KNN、回归插补、GAIN等）、以及时间序列特有的前向后向填充。MICE属于模型方法，但它的实现路径更复杂——通过迭代式预测来逐步逼近真实分布。
整个流程如下图所示：
MICE首先运行多轮插补循环，用预测模型生成目标变量的后验分布。接着从这个分布中反复抽样（比如M次），生成多个版本的完整数据集。每个数据集的插补值都不相同，这种变异性是MICE的核心价值所在。
最后通过不确定性分析和池化（pooling），得到汇总的统计指标：池化参数估计、总标准误差、t统计量和p值。这些指标量化了缺失值带来的不确定性，帮助判断插补结果是否足够可靠。
链式预测的逻辑
MICE的关键在于"链式"二字。假设有个简单数据集，包含
Income
（X1）和
Age
（X2）两个特征，都存在缺失。
标准回归插补会直接用学到的函数填补空白：
因为模型只在残缺的数据上训练，插补结果难免带有很大的偏差。
而MICE采取的策略不同：
它先用均值之类的粗略值填充所有空缺（浅粉色），然后用包括这些初值在内的"完整"数据去改进插补（深粉色）。这个过程会重复多轮，直到插补值趋于稳定，或者说就是收敛了。
MAR假设的限制
MICE强依赖MAR（Missing At Random）假设——数据缺失与否只和已观测值相关，斌且给这个前提很严格的。
如果数据属于MCAR（完全随机缺失），用简单方法就够了。如果是MNAR（非随机缺失，比如高收入者故意不填收入），MICE效果会打折扣需要考虑自编码器或领域特定模型。
适用场景
MICE的优势在于：
迭代过程提供了有效的不确定性估计，比一次性插补准确；能捕捉多变量之间的复杂依赖关系；利用其他变量信息，减少插补偏差
但代价也明显：计算慢、实现复杂、受底层模型假设约束（比如线性假设）。
所以使用MICE选对场景很重要：
多个变量都有缺失，且彼此关联；数据类型混杂（连续型和分类变量都有）；缺失率比较高，达到10%以上，简单方法会引入明显偏差。
临床试验和公共卫生调查就是典型应用，这些领域对无偏估计要求极高。
算法机制分解
按照图A，MICE分五步：
1、用占位符初始化
2、建模后验分布并采样
3、迭代至收敛
4、重复生成多个数据集
5、不确定性分析和池化
我们一步一步来介绍。
初始插补
第一步用均值或中位数填充所有缺失位置。
形式化表示：
这里
Y
是包含P个变量的数据集，
Y(t)
代表第t轮迭代的状态。插补前Y包含观测值和缺失值两部分。
后验分布与采样
接下来是核心步骤：
- 训练预测模型
- 构建目标变量的条件后验分布
- 从分布中抽样
假设目标变量是X1（包含缺失），用列索引
j
和迭代轮次
t
来表示：
其中
Y_j
是观测值，
Y_j^{(t−1)}
是上一轮的插补结果，
g_j
是后验分布，
θ_j(t)
是模型参数。
后验分布的形式取决于预测模型。
回归任务常用这几种：
正态线性回归：从正态分布采样，均值是预测值
μ_i^(t)
，方差
σ_j^2(t)
来自贝叶斯框架。
带Bootstrap的正态线性回归：分布形式相同，但参数从自助法样本中估计。
PMM（预测均值匹配）：先用线性回归生成预测均值，然后从"捐赠者池"中随机抽取实际观测值。捐赠者池由预测均值最接近的k个样本组成，类似KNN的思路。
分类任务则用：
逻辑回归：从伯努利分布（二分类）或多项分布（多分类）中采样。
比例优势模型：参数量更少，因为所有截断点共享一组斜率系数。
迭代收敛
MICE会对所有缺失变量依次执行上述步骤，直到所有值都收敛。
比如数据集有4个目标变量（j = 0, 1, 2, 3），MICE会顺序处理：先给j=0建模采样，然后j=1以此类推。这种顺序确保了链式依赖——j=0的插补结果会用在j=1的预测中。
生成多数据集
单次收敛还不够。MICE会把整个迭代循环跑多遍（比如20次），每次都从后验分布随机采样，生成多个版本的完整数据集。这些数据集的插补值各不相同，正是这种变异性让不确定性量化成为可能。
不确定性分析与池化
最后对所有插补数据集做相同的统计分析。
比如说研究年龄和BMI对胆固醇的影响，用OLS线性回归建模：
Cholesterol ∼ β_0 + β_1·Age + β_2·BMI + ϵ
每个插补数据集D(m)会得到一组系数估计
θ^_m
和方差协方差矩阵
U_m
。
Rubin规则把这些结果合并。比如参数
θ
的池化估计是M个估计值的均值：
估计误差（池化标准误差）由总方差决定：
总方差分解为插补内方差和插补间方差：
Uˉ
反映采样变异性，
B
量化插补引入的额外不确定性，
M
是数据集数量。有了这些，就能构建置信区间和p值。
代码
用合成数据集演示回归任务。数据包含10000个样本，三个特征X1、X2、Y。
对比三种方法：
- MICE + PMM
- MICE + 正态线性回归
- 标准回归插补（基线）
结构化缺失值
先把各种形式的缺失标记统一成
np.nan
。Pandas默认不识别空格、"NA"、"?"这类非结构化标记。
import pandas as pd
import numpy as np
def structure_missing_values(df: pd.DataFrame, target_cols: list = []) -> pd.DataFrame:
target_cols = target_cols if target_cols else df.columns.tolist()
# list up unstructured missing val options
unstructured_missing_vals = ['', '?', ' ', 'nan', 'N/A', None, 'na', 'None', 'none']
# structure
structured_nan = { item: np.nan for item in unstructured_missing_vals }
structured_df = df.copy()
for col in target_cols: structured_df[col].replace(structured_nan)
return structured_df
df_structured = structure_missing_values(df=original_df)
分析缺失类型
用t检验判断缺失模式。比较有无缺失两组样本在其他变量上的均值差异。
from scipy import stats
def assess_missingness_diagnostics(df, target_variable='X1', missingness_type='mcar'):
# create a missingness indicator
df_temp = df.copy()
df_temp['is_missing'] = df_temp[target_variable].isna().astype(int)
observed_vars = [col for col in df_temp.columns if col not in [target_variable, 'is_missing']]
# compare means of observed variables (x2, y) between 1) group_observed (x1 observed) and 2) group_missing (x1 missing)
for var in observed_vars:
# create the groups
group_observed = df_temp[df_temp['is_missing'] == 0][var]
group_missing = df_temp[df_temp['is_missing'] == 1][var]
# check if enough samples exist in both groups
if len(group_missing) < 2 or len(group_observed) < 2: continue
# perform two-sample t-test to compute the mean difference
_, p_value = stats.ttest_ind(group_observed.dropna(), group_missing.dropna())
mean_obs = group_observed.mean()
mean_miss = group_missing.mean()
# rejection of h0 (equal means) suggests missingness depends on the observed variable
if p_value < 0.05:
print(f" -> conclusion: mar or mnar because means are statistically different.")
else:
# failure to reject h0 suggests independence
print(f" -> conclusion: mcar because means are not statistically different.")
assess_missingness_diagnostics(
df=df_structured,
target_variable='X1',
missingness_type='mar'
)
结果显示X2和Y在两组间均值显著不同（p<0.05），符合MAR或MNAR特征。
实践中缺失类型往往模糊，可以试多种方法再比较泛化效果。
定义插补器
确认适用性后，用Scikit-learn的
IterativeImputer
配置MICE。
PMM版本：
from sklearn.impute import IterativeImputer
imputer_mice_pmm = IterativeImputer(
estimator=PMM(), # pmm
max_iter=10, # num of cycles
initial_strategy='mean', # initial imputation val
random_state=42, # for reproducibility
)
自定义PMM估计器：
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.base import BaseEstimator, RegressorMixin
# implement a custom pmm estimator
class PMM(BaseEstimator, RegressorMixin):
def __init__(self, k: int = 5, base_estimator=LinearRegression()):
self.k = k # k-neigbor
self.base_estimator = base_estimator
def fit(self, observed_X, observed_y):
self.base_estimator.fit(observed_X, observed_y)
# store the observed data
self.X_donors = observed_X.copy()
self.y_donors = observed_y.copy()
# predict the means for all observed donors
self.y_pred_donors = self.base_estimator.predict(self.X_donors)
return self
# core pmm logic of sampling val from the k nearest neighbors of observed data. x has missing vals
def predict(self, X):
# predict the mean for the missing data (recipients)
y_pred_recipients = self.base_estimator.predict(X)
imputed_values = np.zeros(X.shape[0])
# perform pmm for each recipient (row in x)
for i, pred_recipient in enumerate(y_pred_recipients):
# compute the absolute difference between the recipient's predicted mean and all the donor's predicted means.
diffs = np.abs(self.y_pred_donors - pred_recipient)
# get the indices that correspond to the k smallest differences (k nearest matches)
nearest_indices = np.argsort(diffs)[:self.k] # taking k indices plus 1 to avoid an exact match of the imputed val from the prev round
# randomly sample an observed value from the k nearest neighbors (donor_pool)
donor_pool = self.y_donors[nearest_indices]
imputed_value = np.random.choice(donor_pool, size=1)[0]
imputed_values[i] = imputed_value
return imputed_values
## func for IterativeImputer compatibility
def _predict_with_uncertainty(self, X, return_std=False):
if return_std:
return self.predict(X), np.zeros(X.shape[0]) # pmm is semi-parametric. set standard deviation = 0
return self.predict(X)
库里的
KNeighborsRegressor
也能实现类似功能。
线性回归版本：
用
BayesianRidge
确保生成不同的插补值：
from sklearn.impute import IterativeImputer
from sklearn.linear_model import BayesianRidge
imputer_mice_lr = IterativeImputer(
estimator=BayesianRidge(max_iter=500, tol=1e-3, alpha_1=1e-10, alpha_2=1e-10, lambda_1=1e-10, lambda_2=1e-10),
max_iter=10,
initial_strategy='mean',
random_state=42,
sample_posterior=True # add random noise drawn from the posterior distribution to the prediction.
)
执行插补
迭代5次（M=5），每次生成一个完整数据集。
import pandas as pd
from sklearn.impute import IterativeImputer
def run_mice_imputation(df: pd.DataFrame, imputer: IterativeImputer, M: int = 5) -> list:
# iteration
imputed_datasets= [] # subject to analysis and pooling later
imputed_values_x1 = {}
missing_indices_x1 = df[df['X1'].isna()].head(3).index.tolist()
for m in range(M):
# setup imputer for each interation (unique random state controls the numpy seed for pmm's sampling)
setattr(imputer, 'random_state', m)
# impute df and convert generated array to pandas df
df_m = pd.DataFrame(imputer.fit_transform(df), columns=df.columns)
# recording
imputed_datasets.append(df_m)
imputed_values_x1[m] = df_m['X1'].loc[missing_indices_x1].tolist()
# outputs - unique imputation values
print("Imputed values across M datasets (True PMM - expecting variability):")
print(f"imputed dataset 1 - the first three imputed values for X1: {[f'{x:.14f}' for x in imputed_values_x1[0]]}")
print(f"imputed dataset 2 - the first three imputed values for X1: {[f'{x:.14f}' for x in imputed_values_x1[1]]}")
print(f"imputed dataset 3 - the first three imputed values for X1: {[f'{x:.14f}' for x in imputed_values_x1[2]]}")
print(f"imputed dataset 4 - the first three imputed values for X1: {[f'{x:.14f}' for x in imputed_values_x1[3]]}")
print(f"imputed dataset 5 - the first three imputed values for X1: {[f'{x:.14f}' for x in imputed_values_x1[4]]}")
return imputed_datasets
PMM结果：
imputed_datasets_mice_pmm = run_mice_imputation(df=df, imputer=imputer_mice_pmm, M=5)
5个数据集的X1插补值各不相同，体现了随机性：
imputed dataset 1: ['9.24212539359209', '8.86784044761337', '16.27959379662983']
imputed dataset 2: ['10.67728456933526', '6.72710070935441', '8.84037515230672']
imputed dataset 3: ['10.15359370564326', '6.72710070935441', '18.59563606925789']
imputed dataset 4: ['10.78202129747172', '6.72710070935441', '8.84037515230672']
imputed dataset 5: ['9.35638700644611', '5.15233963776858', '13.88818918534419']
线性回归结果：
imputed_datasets_mice_lr = run_mice_imputation(df=df, imputer=imputer_mice_lr, M=5)
同样生成了5组不同的插补值：
imputed dataset 1: ['12.21062281693754', '9.96558458658052', '12.49501000922409']
imputed dataset 2: ['8.71573023588752', '10.85416071007341', '12.35300502646557']
imputed dataset 3: ['12.72459653377737', '8.71106811173562', '11.99063594937416']
imputed dataset 4: ['9.73654929041454', '3.72657966114651', '12.08960122126962']
imputed dataset 5: ['8.59526280022813', '12.78831127091796', '12.39797242039489']
池化分析
对5个数据集做统计推断，用Rubin规则合并结果。
import numpy as np
import statsmodels.formula.api as smf
from scipy.stats import t
def perform_analysis_and_pooling(imputed_datasets, target_param='X1'):
m = len(imputed_datasets)
estimates = [] # theta_m
variances = [] # within-imputation variance u_m
# 1. analysis - run the model on each imputed dataset
for i, df_m in enumerate(imputed_datasets):
# ols model
model = smf.ols(formula='Y ~ X1 + X2', data=df_m).fit()
# extract the estimate (theta_m) and its variance (u_m) for the target parameter
estimate = model.params[target_param]
variance = model.bse[target_param]**2
estimates.append(estimate)
variances.append(variance)
# 2. pooling w rubin's rules
# pooled point estimate (theta_bar)
theta_bar = np.mean(estimates)
# within-imputation variance (u_bar)
u_bar = np.mean(variances)
# between-imputation variance (b)
b = (1 / (m - 1)) * np.sum([(est - theta_bar)**2 for est in estimates])
# total variance (t)
t_total = u_bar + (1 + (1 / m)) * b
# total standard error (se)
se_pooled = np.sqrt(t_total)
# relative increase in variance (riv) and degrees of freedom (v)
riv = ((1 + (1 / m)) * b) / u_bar
v_approx = (m - 1) * (1 + (1 / riv))**2
# confidence interval
t_critical = t.ppf(0.975, df=v_approx)
ci_lower = theta_bar - t_critical * se_pooled
ci_upper = theta_bar + t_critical * se_pooled
print("\n--- pooled results using rubin's rules ---")
print(f"pooled estimate ({target_param}): {theta_bar:.10}")
print(f"within variance (u_bar): {u_bar:.10}")
print(f"between variance (b): {b:.10f}")
print(f"total variance (t): {t_total:.10}")
print(f"pooled standard error: {se_pooled:.10}")
print(f"relative increase in variance (riv): {riv:.10}")
print(f"degrees of freedom (approx): {v_approx:.2f}")
print(f"95% ci: [{ci_lower:.10}, {ci_upper:.10}]")
return theta_bar, se_pooled, t_total, v_approx
PMM池化结果：
X1系数估计2.021，95%置信区间[1.954, 2.087]。相对方差增幅（RIV）仅5.7%，说明插补引入的不确定性很小。
pooled estimate (X1): 2.020731625
within variance (u_bar): 0.001079913886
between variance (b): 0.0000517265
total variance (t): 0.001141985746
pooled standard error: 0.0337932796
relative increase in variance (riv): 0.05747852707
degrees of freedom (approx): 1353.92
95% ci: [1.95443875, 2.087024499]
线性回归池化结果：
X1系数2.029，置信区间[1.963, 2.096]，RIV约6.8%，同样在可接受范围。
pooled estimate (X1): 2.029474175
within variance (u_bar): 0.001082280232
between variance (b): 0.000060931
total variance (t): 0.001155397613
pooled standard error: 0.03399114021
relative increase in variance (riv): 0.06755864026
degrees of freedom (approx): 998.81
95% ci: [1.962771936, 2.096176414]
两种方法的不确定性都控制得不错。
模型评估
在每个插补数据集上训练SVR（支持向量回归），平均MSE作为最终指标。
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error
mse_train_mice_pmm_list = []
mse_val_mice_pmm_list = []
for i, df in enumerate(created_datasets):
# create X, y
y = df['Y']
X = df[['X1', 'X2']]
# create train, val, test datasets
test_size, random_state = 1000, 42
X_tv, X_test, y_tv, y_test = train_test_split(X, y, test_size=test_size, shuffle=True, random_state=random_state)
X_train, X_val, y_train, y_val = train_test_split(X_tv, y_tv, test_size=test_size, shuffle=True, random_state=random_state)
# preprocess
num_cols = X.columns
num_transformer = Pipeline(steps=[('scaler', StandardScaler())])
preprocessor = ColumnTransformer(transformers=[('num', num_transformer, num_cols),], remainder='passthrough')
X_train = preprocessor.fit_transform(X_train)
X_val = preprocessor.transform(X_val)
X_test = preprocessor.transform(X_test)
# train the model
model = SVR(kernel="rbf", degree=3, gamma='scale', coef0=0, tol=1e-5, C=1, epsilon=1e-5, max_iter=1000)
model.fit(X_train, y_train)
# inference
y_pred_train = model.predict(X_train)
mse_train = mean_squared_error(y_pred_train, y_train)
y_pred_val = model.predict(X_val)
mse_val = mean_squared_error(y_pred_val, y_val)
# recording
mse_train_mice_pmm_list.append(mse_train)
mse_val_mice_pmm_list.append(mse_val)
# final performance metric that accounts for imputation uncertainty.
pooled_mse_train_mice_pmm = np.mean(mse_train_mice_pmm_list)
pooled_mse_val_mice_pmm = np.mean(mse_val_mice_pmm_list)
print(f'\nfinal performance - train mse: {pooled_mse_train_mice_pmm:.6f}, val mse: {pooled_mse_val_mice_pmm:.6f}')
对比结果：
- MICE + PMM：训练394.14，验证368.20
- MICE + 线性回归：训练331.43，验证308.42
- 回归插补：训练412.05，验证383.25
两种MICE方法都显著优于基线。其中线性回归版本表现最佳，验证MSE降到308.42。
原因可能有两点：一是线性回归模型精准捕捉了数据关系；二是PMM的随机采样引入了额外噪声，虽然理论上更稳健但在这个数据集上反而增加了误差。
小结
MICE在处理复杂缺失数据时有明显优势，尤其是需要无偏推断的场景。实验表明它确实能提升模型表现，比单次回归插补效果更好。
不过实践中还有优化空间：估计器选择、迭代次数、收敛标准都会影响最终效果。另外MAR假设的适用性判断也需要仔细评估，盲目套用可能适得其反。
缺失数据处理本身就是个权衡问题——计算成本、模型复杂度、统计有效性之间需要找平衡点。MICE提供了一种严谨的解决方案，但不是万能钥匙，要结合具体问题具体分析。
完整代码：
https://avoid.overfit.cn/post/e54f988c93df418db5ccbd1d37a92007
作者：Kuriko Iwai
