首页 > 文献资料
-
临界点分析法在处理临床研究缺失数据中的应用
为应用可视化的临界点分析法处理临床研究缺失数据并探讨相关问题.枚举因缺失值导致的“所有”可能结局,并找出组间比较P值发生变化(P=0.05为差异有统计学意义)的临界点,进一步计算P＜0.05的组合所占比例,判定研究结论的可靠性.临界点分析法可用于连续型或二分类结局的临床研究数据,并找到对应的临界点.在连续型结局实例中P＜0.05区域的比例为93.6％,否定零假设即试验成功的可靠性较高;二分类结局实例P＜0.05区域的比例为29.7％,否定零假设即试验成功的可靠性较低.临界点分析法可用于含缺失数据的临床研究,为结果判定提供可视化的判定依据.
-
不完全病例对照研究中对照组部分基因信息缺失基因-环境交互作用的估计
目的 探讨不完全病例对照研究中对照组基因信息部分缺失时基因-环境交互作用的估计.方法 在Stata 9.0软件上采用Monte Carlo方法模拟不同基因信息缺失比例数据,对缺失数据采用hot deck多重填补程序后分析和删除缺失值分析结果进行比较.结果 缺失数据＜50%时,hotdeck多重填补后分析和删除缺失值分析对环境主效应、基因主效应以及基因-环境交互作用的估计系数接近完全数据的系数,随缺失比例的增加,两种方法的估计方差均增加,但hot deck多重填补估计方差小于删除缺失值分析.结论 不完全病例对照研究中,对照组基因信息缺失比例＜50%时,可以用hot deck填补方法充分利用已有的信息估计基因-环境的交互作用,提高估计精度.
-
MSM人群HIV感染者病毒载量抽样调查缺失数据填补方法研究
目的 探讨不同缺失数据填补法对MSM人群HIV感染者(MSM感染者)病毒载量(VL)缺失数据的填补效果.方法 以2013年中国16个大城市MSM感染者VL抽样检测数据为基础,采用SPSS 17.0软件,模拟完整数据集和5种不同类型的缺失数据集,采用大期望值法(EM)、回归法、均值填补法、删除法、马尔科夫链蒙特卡罗法(MCMC)对5种VL缺失数据填补处理,从数据分布、准确度、精确度3个方面比较填补效果.结果 VL数据呈偏态非连续分布,难以进行有效正态分布转化;不同填补方法对完全随机缺失数据填补效果均较好;对于其他类型缺失数据,回归法、MCMC较好保留完整数据主要分布特征;EM、回归法、均值填补法、删除法普遍低估数据均值,MCMC多高估数据均值.结论 MCMC可作为首选的VL数据对数转换后缺失数据填补方法.填补数据可作为调查人群VL均值水平估算的参考依据.
关键词： 艾滋病病毒 病毒载量 缺失数据 多重填补 马尔科夫链蒙特卡罗法 -
数据缺失情况下函数型数据聚类方法及应用
本文主要讨论了函数型数据的聚类方法,将其应用于中医宗气数据进行实证分析.函数型数据假定认为离散的时间观测由真实存在的连续时间函数决定,这一连续时间函数可以通过无穷多个基函数及其系数表示.函数型聚类的方法有原始数据聚类法、筛选方法和自适应方法.当某些时间点上的样本观测存在缺失时,原始数据聚类法无法计算样本所属类别.筛选方法用于完整时间观测数据的函数型聚类问题,在数据存在缺失时,虽然可以进行函数曲线的拟合,但是效果并不理想,因此聚类效果也不好.自适应方法不仅适用于完整观测而且可以解决存在缺失的函数型数据的聚类.本文将自适应方法应用于存在缺失的中医宗气时间观测,将老年人按照宗气水平分成宗气充足、宗气水平一般、宗气不足三类人群.函数型聚类的自适应方法划分人群特征的效果比较好.
-
国内针刺临床试验缺失数据的报告情况及其对研究结论的影响
目的 总结国内针刺临床试验数据缺失报告情况,并初步探讨缺失数据经二次分析后对原始结论的影响. 方法 检索中国知网自2006年1月至2015年12月中文发表的针刺随机对照试验(RCT)文献,筛查后计算缺失数据报告率及数据缺失率,分析数据缺失的原因及意向性分析使用情况;对纳入研究中有缺失数据的两臂分类变量结局指标研究进行意向性分析(ITT),比较分析结果与原文结论的一致性.结果 纳入3008篇针刺RCT文献,其中1184篇(39.4％)研究报告了数据缺失情况.2007年数据缺失情况报告率有所下降,但2006-2015年间报告率总体呈上升趋势.3008篇RCT报告中343篇(11.4％)报告了数据缺失原因.对1184篇报告数据缺失情况的研究分析显示,321篇(27.1％)试验报告无缺失数据,余863篇存在数据缺失,数据缺失率≥20％、≥10％且＜20％、＜10％的报告分别为28篇(2.4％)、209篇(17.6％)、626篇(52.9％).3008篇纳入报告中仅有63篇(2.1％)提及了ITT分析,且只有30篇(1.0％)报告了ITT分析结果.对358篇报告了分类结局变量的两臂试验数据进行了二次分析,其中108篇(30.2％)研究与原始结论不一致;92篇(85.2％)可能存在假阳性结果,16篇(14.8％)可能存在假阴性结果.结论 国内针刺临床研究者对缺失数据的报告及其对研究结果产生的影响的重视程度较低,未采用合理方法处理缺失数据可能会造成假阴性或假阳性的结论.
-
来华留学生的跨文化适应状况调查
Ward等将跨文化适应区分为社会文化适应和心理适应两个方面,并通过测量社会文化困难和抑郁水平来分别评价这两个方面的适应状况[1-3].本研究根据Ward 等的理论,对来自6个大洲47个国家的96名在华留学生的跨文化适应状况进行了调查.男生59人,女生36人,缺失数据1人;平均年龄25±6岁;平均在华已居住时间18±19个月).
-
Meta分析中缺失数据的处理方法简介
临床试验设计之初，乃至中后期对数据追踪与随访，都可能无法避免部分数据丢失。然而当缺失数据与研究结果可能存在联系时，可能会导致随机对照试验（RCT）偏倚，并且偏倚风险也将被引入到Meta分析结果中。由于缺失数据的情况是非常复杂的，所以对于缺失数据处理要根据实际情况来选择合适的方法。本文就随机缺失、完全随机缺失、非随机缺失的数据缺失机制及其常见的处理方法给出相关简介。
-
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 -
临床试验缺失数据的统计学考量
缺失数据是临床试验中常见的重要问题，可能引起试验结果难于解释，甚至影响整个试验的推断和结论，但目前在国内临床研究中尚未引起足够的重视。实际应用中，申请人对待缺失数据的处理存在盲目应用统计学方法的现象，给新药安全有效性的评价和确证带来诸多困难。本文针对三个实际案例进行深入地阐述和分析，探讨对缺失数据的预防、估计量的选择、缺失数据的统计分析方法以及敏感性分析等，以期有助于申请人在临床试验中加强对缺失数据预防和处理方法的重视。
-
结构方程模型的研究进展
结构方程模型(Structural Equation Model,SEM)是一种用来分析多个指标变量间错综复杂关系结构的多元统计分析方法,它为研究者用于量化与理论检验提供了一种包罗万象的方法.
-
纵向研究缺失数据多重填补及混合效应模型分析
目的阐明马尔可夫链蒙特卡罗（MCMC）多重填补与重复测量资料混合效应线性模型分析的原理，完成纵向监测数据缺失模型的软件实现。方法根据222例高血压患者纵向监测的完全数据，产生缺失比例为18.92％的随机缺失数据集。应用MCMC多重填补方法，进行缺失值填补的模拟研究以及实例分析，并实现重复测量混合效应线性模型分析。结果模拟研究和实例分析表明，样本例数200，缺失比例20％，MCMC法多重填补5次所得结果稳健；填补前缺失数据与完全数据的混合效应模型分析结果不同，填补后完整数据与完全数据的混合效应模型分析结果相同。结论 MCMC多重填补可以充分利用缺失资料信息，是处理缺失数据模型分析的有效方法之一；针对出现缺失的重复测量资料，结合应用混合效应模型与MCMC多重填补2种方法，从而得出更为符合客观实际的结果。
-
含有重度缺失的多维时间序列补缺方法及其在环境监测中的应用
目的探讨解决环境污染监测资料中含有重度缺失的多维时间序列的补缺问题.方法构造带有ARMA误差的线性方程组模型对缺失值进行迭代估计,通过基于带有输入序列的AR(1)模型的模拟研究和基于CO等环境监测数据的应用研究,与其他常用的3种补缺方法,即多元线性回归、单个ARIMA模型和3次样条插值法相比较,分析各方法的优劣.有关计算用SAS统计软件编程实现.结果带有ARMA误差的线性方程组模型方法明显优于其他3种方法.结论本研究提供的方法适合解决含有重度缺失的多维时间序列补缺问题,可以在环境监测领域应用.
-
加权估计方程用于缺失数据的处理
在医学研究过程中缺失数据现象是普遍存在的[1-3],目前实际应用中对缺失值处理的方法主要采用缺失值的删失以及单一填补[4-5].随着统计软件相关程序的实现,更有效的缺失值处理方法逐渐引起研究者的关注,如基于多重填补的方法,基于参数似然的方法以及基于加权估计的方法[6-7].weighted estimating equations (WEE)法是加权估计法中的一种,是广义估计方程(gemeralized estimating equations,GEE)方法的推广,被认为估计效率高,稳健性好,尤其在模型假定错误的情况下,仍可以获得更接近真实值的无偏估计.目前,国际对于缺失数据处理方法的理论应用研究热点多为WEE法[8-10],而国内相对集中于多重填补的研究[10-14],对于WEE法的研究应用相对较少.因此本文对WEE法的理论框架进行详细介绍.
-
Epworth量表中缺失数据处理方法研究
目的 结合调查数据,比较不同量表资料缺失数据的处理方法.方法 对不同缺失程度的随机缺失数据集采用条目均数填补法、自身均数填补法、多重填补法分别进行处理,并模拟100次,比较填补结果.结果 缺失率较低时,几种方法效果均较好.随着缺失率增高,填补前后条目及总分一致率逐渐下降,比较而言,自身均数填补法效果好,其次是多重填补法和条目均数填补法.结论 Epworth量表中缺失数据可采用自身均数填补法进行填补.
-
基于Markov Chain Monte Carlo模型对医院调查资料中缺失数据的多重估算
目的 探讨基于Markov Chain Monte Carlo(MCMC)模型的多重估算法在处理医院调查资料缺失数据中的应用.方法 运用SAS9.2编写程序,在分析数据的分布类型和缺失机制的基础上,采用MCMC法对缺失数据进行多次填补和联合统计推断,分析多重估算法的优势.结果 数据服从多元正态分布与随机缺失,采用MCMC法填补10次所得的结果佳.结论 多重估算既可反映缺失数据的不确定性,又可充分利用现有资料的信息、提高统计效率、对模型的估计结果更加可信,是处理缺失数据的有效方法.
-
任意缺失模式缺失数据不同填补方法效果比较
目的 探讨任意缺失模式下缺失数据的填补方法,并对不同方法填补效果进行比较和评价.方法 结合我国北方绝经期妇女钙需要和膳食评估应用研究课题的数据,调用SAS软件中IML模块产生任意缺失模式模拟数据,通过MI和MIANALYZE过程实现缺失数据的填补,同时应用准确度和稳定度两个评价指标来评价各方法填补的效果.结果 PS方法填补3次在本文模拟的任意缺失模式的缺失数据中填补效果佳,MCMC方法填补效果并不理想.结论 在填补任意缺失模式的缺失数据时,MCMC并不是唯一的多重填补方法,通过多重填补的PS方法、PMM方法和REG方法把数据填补成单调缺失后,再用相同方法进行一次填补也是一种可选择的填补方法.
-
含有周期性的时间序列中随机型缺失数据的填补方法
目的 用模拟研究的方法,对含周期性的时间序列数据中随机型缺失数据进行填补,比较基于周期信息的时间序列缺失值填补法(简称周期性填补法)和spline插值填补法对缺失数据的填补效果.方法 利用SAS模拟产生平稳、有周期性的时间序列数据并构造随机型缺失.分别比较相同序列长度不同缺失比例和相同缺失比例不同序列长度下,两种方法的缺失值填补效果.采用NRMSE和RMSE量化填补的误差.结果 相同序列长度下,随着缺失比例的增加,两种填补方法的填补误差均增加,除缺失比例为30％的RMSE在两种方法间的差异无统计学意义外,周期性填补法的NRMSE和RMSE均小于spline填补法(P＜0.05).相同缺失比例下,序列长度较短时,两种填补方法的差异无统计学意义；序列长度较长时,周期性填补法的填补效果优于spline填补法.结论 总体上,周期性填补法对含有确切周期性的时间序列中缺失数据的填补效果较好.
-
缺失数据的多重估算
目的探讨多重估算方法在缺失数据分析中的应用.方法利用Bayesian理论与MCMC方法,在NORM软件中模拟得到m个完整数据集.结果对m个重复测量数据集用SAS软件分析,合并m个分析结果可见,由NORM软件合并数据集的标准差比缺失数据集更稳定.结论多重估算法既能反映缺失数据的不确定性,又可充分利用资料信息,对模型估计结果更可信.
-
有缺失数据的2×2交叉设计的多重填补与分析
目的探讨利用Rubin提出的多重填补的方法处理有缺失数据的2×2交叉设计的资料,以避免医学科研中常常发生观测数据的缺失而造成统计分析的困难.方法用MI对缺失数据进行填补,用标准的统计程序对填补后的数据集分析,后用多重填补分析综合各个数据集的统计分析结果.结果多重填补的方法可用于交叉设计中缺失数据的填补并得出正确的统计推断.结论多重填补与多重填补分析为处理存在缺失数据的资料提供了有效的策略.
-
时间序列中随机型缺失数据的填补及预测效果比较
目的 本文旨在通过填补时间序列资料中的随机型缺失数据并拟合ARIMA模型,比较三种填补方法的填补和预测效果.方法 利用SAS产生平稳、有周期性的时间序列并构造不同比例的随机型缺失,分别采用周期性填补法、均值填补法和三次样条函数插值法进行缺失数据的填补,并对填补后序列拟合ARIMA模型进行序列预测.采用配对t检验对三种填补方法的填补误差和序列预测误差进行比较.结果 三种填补方法的填补值与真值的差异均无统计学意义(P＞0.05)；随着缺失比例的增大,周期性填补法的填补误差和序列预测误差均小于三次样条函数插值法和均值填补法.结论 周期性填补法对于含有确切周期信息的时间序列缺失数据,填补效果较优.
