首页 > 文献资料
-
不同模型处理纵向缺失数据的模拟研究及应用
目的 探讨纵向缺失数据在不同缺失机制下,广义估计方程(GEE)、线性混合效应模型(LME)和模式混合模型(PME)处理纵向缺失数据的灵活性.方法 先模拟产生完整的纵向数据集,再生成不同缺失机制的数据集,用三种模型进行分析与比较,后用实例来验证模拟结果.结果 模拟研究表明MCAR缺失机制下,三种模型均能得到无偏和有效的估计;MAR缺失机制下,LME模型较GEE、PME模型更能提供有效的参数估计;MNAR缺失机制下,PME模型比GEE、LME模型更能提供有效的参数估计.实例分析也表明在MAR缺失机制下,LME模型拟合纵向缺失数据更优.结论 在分析纵向缺失数据时,需要依据数据的缺失机制来选择合适的模型,从而得到合理而有效的结果.
-
多种填补方法在纵向缺失数据中的比较研究
目的 比较多种方法对纵向缺失数据的处理效果.方法 运用SAS软件通过蒙特卡罗模拟产生常见的含一个分组因素和一个重复测量因素的纵向资料,对其进行混合效应模型分析,将结果作为标准对照.分别构建任意缺失模式(AMP)和单调缺失模式(MMP)下完全随机缺失(MCAR)、随机缺失(MAR)和非随机缺失(NMAR)六种缺失数据集,并使缺失率分别为10％、20％、30％、40％和50％,运用删除法、单一填补法、多重填补法和EM算法进行处理.结果 在AMP下,当MCAR和MAR时,低缺失率(≤10％)下所有方法的效果均较好;随着缺失率的增大,只有多重填补法的效果令人满意.在MMP下,当MCAR和MAR时,只有线性回归法和预测均数匹配法的效果较好.多重填补法的缺点是在一定程度上高估系数的变异程度.另一方面,填补方法对结果的影响远超过填补次数对结果的影响.当NMAR时,所有方法都无法取得较好的处理效果.结论 对于纵向缺失资料,多重填补法仍是一种较为理想的处理方法.
-
缺失数据的识别与处理
目的：数据缺失在调查研究中是一个非常普遍的现象，它的出现造成部分原始样本信息的损失，在一定程度上危害研究结果的有效性，需要引起研究者的重视。缺失数据产生的3类机制为完全随机缺失、随机缺失、非随机缺失。目前常见的缺失数据处理方法包括删除法、加权调整法、插补法、参数似然法，其各有优缺点，应针对缺失数据产生的机制选择相应的处理方法。
-
不同缺失场景下各缺失值不同处理方法的结果比较
目的 收集四川省肿瘤医院头颈部肿瘤患者住院病案信息数据,探讨不同缺失场景下数据缺失值通过完成者数据集法、期望-极大化法(EM)、马尔可夫链-蒙特卡洛法(MCMC)3种方法处理后的标准化住院天数对标准化住院费用对数值的回归系数估计值r的优劣.方法 运用R 3.4.1软件,采用蒙特卡洛模拟,通过设定缺失比例和缺失机制模拟不同场景的缺失数据集,运用完成者数据集法、期望-极大化法、马尔可夫链-蒙特卡洛法估计不同缺失场景的模拟数据集中标准化住院天数对标准化住院费用对数值的回归系数估计值r,并与完整数据集的回归系数估计值rc结果进行比较,从准确度(各种方法估计的r与rc比较)和精确度(各种方法的r的变异程度s)两个角度进行评价.结果 3种缺失值处理方法的优劣在不同的缺失场景中均有所差异,完全随机缺失(MCAR)和随机缺失(MAR)(1∶2)机制下,当缺失比例小于30％时3种方法的估计值r均在可接受范围(rc±0.5sc);MAR(比例=2∶1)机制任意缺失比例下3种方法的估计值r均在可接受范围内;任意缺失场景下用EM法估计的r的标准误s小,且与rc的标准误sc为接近.结论 在选择缺失值处理方法时,应该考虑数据的缺失比例和缺失机制.
关键词： 缺失值 缺失机制 缺失比例 期望-极大化法 马尔可夫链-蒙特卡洛法 -
追踪研究中缺失数据处理方法及应用现状分析
追踪研究中普遍存在缺失数据，缺失数据处理方法的选择影响统计推断的精度及研究结果的有效性。首先，阐述缺失机制及判断方法，比较追踪研究中主要的缺失数据处理方法的特点、及实际应用中的缺失处理方法的选择和软件实现。其次，对国内心理学中92篇追踪研究文献进行分析，发现有59篇(64.13%)报告不同程度缺失，其中仅39篇报告了处理方法且均为删除法。未来研究应深入探讨现有缺失数据处理方法的有效性，进一步规范应用研究中缺失数据的处理。
