HIMCE：面向神经影像与时空块的高维多重插补协方差众数更新法
统计方法学
2026-05-07 v1 统计计算
摘要
高维神经影像与时空块通常包含由采集伪影、预处理失败和传感器脱落引起的结构性缺失。多重插补能够传播不确定性，但当块维度较大且相关性较强时，如链式方程多重插补（MICE）等完全条件规范方法可能会变得缓慢或不稳定。多元正态（MVN）工作模型提供了一致的预测后验目标与精确的数据增强采样器，但在高维情况下，重复的协方差采样与矩阵分解成本高昂。我们提出了一种面向连续块的混合多重插补过程——基于协方差众数与链式方程的高维插补（HIMCE）。相较于精确的 MVN 数据增强，HIMCE 保留了高斯条件插补律，并通过随机系数或局部岭抽样传播均值参数的不确定性。在高维块中，它通过协方差众数更新近似协方差不确定性，并可选地使用标量桥接；在小块中，它可通过条件逆 Wishart 刷新恢复精确的协方差不确定性。我们记录了精确的贝叶斯参考采样器，并证明了在总变差意义下众数插入预测的固定维后验一致性与渐近等价性。我们还开发了基于随机化秩单元格概率积分变换（PIT）、PIT 一致的经验覆盖率和边际分布叠加的诊断方法。在主要的空间基准测试中，HIMCE 相较于 HIMA 和筛选式 MICE 改善了后验均值误差，运行速度与 HIMA 相当且低于 MICE 运行时间的一半，并改善了相对于 HIMA 的区间覆盖率，尽管 MICE 依然具有更好的校准性。一项重复的低维 NHANES 示例表明，其覆盖率有所改善且点预测具有竞争力。
引用
@article{arxiv.2605.04440,
title = {HIMCE: High-dimensional multiple imputation via covariance-mode updating for neuroimaging and spatiotemporal blocks},
author = {Hsin-Hsiung Huang and Stef van Buuren},
journal= {arXiv preprint arXiv:2605.04440},
year = {2026}
}