Missing Values & Data Leakage: 解释 MICE（多重插补链式方程）的迭代过程与实现要点。

Core Concept: 对每个缺失特征用其他特征回归预测，循环迭代；每次抽取多个候选值生成 M 个完整数据集。

MICE 的算法流程：① <strong>初始化</strong>——对每个缺失值用简单方法（如均值）填充，得到初始完整数据集；② <strong>迭代</strong>——按顺序对每个含缺失的特征 xⱼ：以 xⱼ 为因变量、其余特征为自变量，用<strong>有缺失值的样本</strong>（xⱼ 缺失的行）之外的数据训练回归模型，然后对缺失位置<strong>预测并加入随机噪声</strong>（从预测分布中抽样，而非取点预测）；③ <strong>循环</strong>——对 j=1…p 重复，再整体循环若干轮（通常 5–20 轮）直至收敛（参数或插补值稳定）；④ <strong>多重性</strong>——把上述过程重复 <strong>M 次</strong>（每次的随机抽样不同），得到 M 个完整数据集（M 通常 5–20）；⑤ <strong>分析</strong>——在每个数据集上独立做统计分析（如回归、检验），得到 M 组结果；⑥ <strong>合并</strong>——用 <strong>Rubin 规则</strong>合并：点估计取 M 个的平均，方差 = 组内方差平均 + (1+1/M)×组间方差（后者反映插补的不确定性）。<strong>为什么优于单次插补</strong>：单次插补（含回归插补）把插补值当作'真实观测'，<strong>低估了不确定性</strong>（标准误偏小、p 值偏小）；MICE 通过多次抽样把插补的不确定性纳入方差估计，得到<strong>正确的推断</strong>。

实现要点：① <strong>回归模型的选择</strong>——连续变量用线性回归（或贝叶斯岭回归，sklearn 默认）、二值变量用逻辑回归、计数用 Poisson；应选择与该特征分布匹配的模型。② <strong>收敛诊断</strong>——画每个特征的插补值随迭代轮数的轨迹（应稳定无趋势）；或用 Gelman-Rubin 统计量比较 M 条链；未收敛说明迭代次数不够或模型设定有误。③ <strong>M 的选择</strong>——M=5 通常足够（Rubin 1987 的建议），若缺失比例高（>50%）或需要更精确的方差估计可用 M=20+；现代研究建议 M 至少覆盖'缺失比例 × 100'的百分位。④ <strong>必须放进 Pipeline</strong>——MICE 的回归系数只能从<strong>训练折</strong>估计，否则泄漏；但注意 MICE 的'多重数据集'结构难以直接嵌入 sklearn Pipeline（需自定义或用 <code>IterativeImputer</code> 的单次输出 + 指示变量作为近似）。⑤ <strong>与树模型的关系</strong>——树模型（XGBoost/LightGBM）可<strong>原生处理缺失</strong>（学习默认方向），通常优于任何插补；故若用树模型，可跳过 MICE，直接加缺失指示变量。⑥ <strong>MNAR 的限制</strong>——MICE 假设 MAR（缺失依赖于可观测变量）；对 MNAR 无效，需专门方法（模式混合模型、Heckman 选择模型）或做<strong>敏感性分析</strong>。⑦ <strong>实践建议</strong>——统计分析（需正确标准误）用 MICE；机器学习建模用'简单插补 + 指示变量'或树模型原生处理。