欠損した値を推定する事をimputationという
欠損値に関する方法論について
古典的な統計学の方法
欠損値のメカニズムの分類 : MAR（Missing at random）, MCAR（Missing completely at random）, MNAR（Missing not at random）
対策
- そのまま
- 削除 : リストワイズ除去、ペアワイズ除去
- 補完 : 平均値代入、回帰代入、Hot-deck代入（似たデータから補完）、Cold-deck代入（同じデータの違う状況下でのデータから補完）、Average the available items, Last observation carried forward, Stochastic回帰代入
- 欠損メカニズムをモデル化
- 最近の方法 : Full Information maximum likelehood（FIML）、多重代入法
遺伝学的な方法
- referenceにするデータは、HapMapから手にいれるらしい（人種を気にする）
- LD（連鎖不平衡）ブロックで相関が高いSNPを参考に推定する
- MAF（マイナーアレル頻度）が合うように値を推定する（EMアルゴリズム）
- HMM（隠れマルコフモデル）を使うらしい
- 有名なソフトとして、IMPUTE1/2, BEAGLE, MACH, BIM-BAM, fastPHASE
transciptome研究での方法
- 最初は、データを削除、0/平均値を入れるなどしていたらしい
- referenceはStanford Microarray Databaseを利用した論文がある
- 遺伝学的な方法と同様に、相関が高い遺伝子の発現量を参考に推定する
- referenceを利用せず、データセット内で相関が高い遺伝子のデータを利用する場合が多い（この場合、ある程度のサンプルサイズが無いと相関が見れないはず）
- 推定したい遺伝子と類似する遺伝子を見つけるのにk近傍法が広く利用されている（kは10 - 20くらいのイメージ）
- 異なる実験条件での寄せ集めデータをreferenceにする中で、q個のクラスター（数10個くらい）に実験条件が分かれるとして、次元を削減して利用する場合が多い（クラスタリング手法がここで多用される）
- 手法の検証の仕方は、完全データにランダムに欠損値を発生させ、どれだけ適切な値を入れられるか、元データとのRMSE値で競う
- 定番手法がなさそうだが、Rパッケージは多い（kNNベースは引用が比較的多い）
[参考]
- Illuminaの資料
- Missing Data Analysis (DARM勉強会#3）
- Genotype imputation for genome-wide association studies
- Comparative analysis of missing value imputation methods to improve clustering and interpretation of microarray experiments