首页 > 文献资料
-
不同缺失机制并存时应答偏倚校正方法在医保学生医疗费用调查中的应用
流行病学调查中常会出现数据缺失,目前对此有多种处理方法,但这些方法对数据的缺失机制均有严格要求.Rubin[1]认为缺失机制主要包括完全随机缺失(missing completely at random,MCAR)、随机缺失(missing at random,MAR)和非随机缺失(not missing at random,NMAR)三类.MCAR数据缺失的概率与任何观测到或未观测到的变量值均无关,完全观测个体使用任何分析方法均有效;MAR数据缺失的概率与其他变量有关,但与该变量本身取值无关,一般是采用多重填补(multiple imputation,MI)技术[2-3];而NMAR则对于数据缺失的概率与其他变量及该变量本身均有关,可采用样本选择模型(sample selection model)给予校正[4-5].
-
临床试验中缺失数据的预防与处理
缺失数据是临床试验中常见但又不可避免的一个问题.缺失数据不仅会降低试验的把握度,还会给试验结果带来偏倚.因此,一方面可以在统计分析中采用合适的缺失数据处理方法,另一方面要特别注意尽可能预防缺失数据的产生.其中,缺失数据的预防应当是第一位的.从数据的角度来讲,首先,应在方案设计、数据采集和数据核查的各个阶段,采取合理措施提高受试者的依从性,减少不必要的数据缺失;其次,对于确认发生的数据缺失,应详细记录缺失数据产生的原因,这对于判定数据缺失的机制和选择合适的缺失数据处理方法(例如,前一次观察数据向后结转、多重填补和重复测量数据混合效应模型等)具有非常重要的作用.
关键词： 缺失数据 前一次观察数据向后结转 多重填补 重复测量数据混合效应模型 随机缺失 -
不同缺失机制并存时偏倚校正的模拟研究
目的 探讨在医疗费用调查中针对因变量数据所存在的选择性偏倚和随机无应答问题的两阶段校正方法.方法 通过模拟得出不同程度随机缺失和非随机缺失并存时的多个数据集.首先对随机缺失(MAR)通过预测均数匹配法(PMM)、倾向性得分法(PS)、基于Bootstrap的EM算法(EMB)和马尔科夫链蒙特卡洛算法(MCMC)四种填补方法进行多重填补(第一阶段);在此基础上对选择性偏倚造成的缺失数据进行样本选择模型拟合(第二阶段);后对多个拟合结果进行合并.对模拟出的结果以标准偏倚、均方误差的平方根和可信区间平均长度作为评价填补方法优劣的标准.结果 在任意一种缺失情况下,PS法的结果相对不理想.当非随机缺失为轻度时,不同程度随机缺失情况下的填补方法选择为:在随机缺失也为轻度时,MCMC法好;在随机缺失为中度时,EMB法好;在随机缺失为重度时,PMM法好.当非随机缺失为中度时,无论随机缺失程度如何,MCMC都是好的方法;当非随机缺失为重度时,无论随机缺失程度如何,PMM都是好的方法.结论 PMM、EMB和MCMC法均是处理随机缺失较好的填补方法,可以根据本次研究的模拟结果有选择的将填补方法运用于各种不同缺失情况的实际调查.
-
期望大化法和回归法对亚洲心血管病国际合作研究缺失数据填充效果比较
目的 分析亚洲心血管病国际合作研究(international collaborative study of cardiovascular disease in ASIA,InterASIA)缺失值缺失机制,探索适合该资料的方便、有效、合理的填充方法.方法 利用SPSS 16.0软件,分析数据的缺失机制,分别采用期望大化法和回归法对缺失数据进行填充.结果 InterASIA资料缺失指标缺失率在0.1%～2.1%,缺失机制为随机缺失,年龄偏小的人指标缺失率更高;采用期望大化法和回归法对缺失数据进行填充后各指标的算术均数、标准差以及线性回归模型中的回归系数及标准误与填充前各指标的取值非常接近.结论 InterASIA资料缺失率低,其缺失机制为随机缺失,期望大化法和回归法是方便、有效、合理的填充方法.
-
缺失数据处理方法的研究进展
缺失数据问题在实际研究工作中是不可避免的,而现有统计方法的应用大都基于完整数据,因而如何恰当处理缺失数据是研究者所关心的问题.故本文将探讨不同缺失机制下缺失数据处理方法的理论框架及应用特点,以促进缺失数据处理方法在卫生统计调查中的实际应用.
-
不同缺失值处理方法对随机缺失数据处理效果的比较
目的:比较不同的缺失值处理方法处理随机缺失数据的效果.方法:以HIV/AIDS血液样本血红蛋白、白细胞和血尿素氮检测数据为基础,利用SAS 9.1,分别模拟完整数据集和不同缺失率的数据集,从精确度、准确度和分布三方面比较不同方法对缺失数据集的处理效果.结果:任意缺失比例下血红蛋白和白细胞数据经不同的方法处理后与完整数据集比较差异无统计学意义.不同缺失比例下,多重填补(MI)法的精确度高.缺失率10%～20%时,MI法填充后的准确度高.缺失率30%时,成组删除法处理后的准确度高.缺失40%以上时,准确度填充效果不稳定.不同缺失比例下,回归法、成组删除法和MI填充2次后的数据的分布特征与完整数据集一致.结论:数据缺失10%～20%时,MI法填充效果好;缺失30%时,成组删除法处理效果好;缺失40%以上时,所有方法填充效果均不佳.
