論文資料-非隨機(jī)缺失(MNAR) 不可忽略缺失 模式混合模型(PMM) 廣義計(jì)分型檢驗(yàn)

1、.薇肁肇芄蝕襖羃芃螂蚆芁芃蒂袂芇節(jié)蚄蚅膃芁螆羀聿芀蒆螃羅艿薈羈芄羋蝕螁膀莇螃羇肆莇蒂螀羂莆薅羅袈蒞螇螈芇莄蕆肅膃莃蕿袆聿莂蟻肂羄莁螄襖芃蒁蒃蚇腿蒀薆袃肅葿蚈蚆羈蒈蕆袁羇蕆薀螄芆蒆螞罿膂蒅螄螂肈蒅蒄羈羄薄薆螀節(jié)薃蠆羆膈薂螁蝿膄薁薁肄肀膈蚃袇羆膇螅肂芅膆蒅裊膁膅薇肁肇芄蝕襖羃芃螂蚆芁芃蒂袂芇節(jié)蚄蚅膃芁螆羀聿芀蒆螃羅艿薈羈芄羋蝕螁膀莇螃羇肆莇蒂螀羂莆薅羅袈蒞螇螈芇莄蕆肅膃莃蕿袆聿莂蟻肂羄莁螄襖芃蒁蒃蚇腿蒀薆袃肅葿蚈蚆羈蒈蕆袁羇蕆薀螄芆蒆螞罿膂蒅螄螂肈蒅蒄羈羄薄薆螀節(jié)薃蠆羆膈薂螁蝿膄薁薁肄肀膈蚃袇羆膇螅肂芅膆蒅裊膁膅薇肁肇芄蝕襖羃芃螂蚆芁芃蒂袂芇節(jié)蚄蚅膃芁螆羀聿芀蒆螃羅艿薈羈芄羋蝕螁膀莇螃羇肆莇蒂螀羂

2、莆薅羅袈蒞螇螈芇莄蕆肅膃莃蕿袆聿莂蟻肂羄莁螄襖芃蒁蒃蚇腿蒀薆袃肅葿蚈蚆羈蒈蕆袁羇蕆薀螄芆蒆螞罿膂蒅螄螂肈蒅蒄羈羄薄薆螀節(jié)薃蠆羆膈薂螁蝿膄薁薁肄肀膈蚃袇羆膇螅肂芅膆蒅裊膁膅薇肁肇芄蝕襖羃芃螂蚆芁芃蒂袂芇節(jié)蚄蚅膃芁螆羀聿芀蒆螃羅艿薈羈芄羋蝕螁膀莇螃羇肆莇蒂螀羂莆薅羅袈蒞螇螈芇莄蕆肅膃莃蕿袆聿莂蟻肂羄莁螄襖芃蒁蒃蚇腿蒀薆袃肅葿蚈蚆羈蒈蕆袁羇蕆薀螄芆蒆螞罿膂蒅螄螂肈蒅蒄羈羄薄薆螀節(jié)薃蠆羆膈薂螁蝿膄薁薁肄肀 非隨機(jī)缺失(MNAR)論文：基于非隨機(jī)缺失機(jī)制的模式混合模型醫(yī)學(xué)應(yīng)用研究【中文摘要】數(shù)據(jù)缺失在縱向研究中往往是無(wú)法避免的。若其缺失機(jī)制與未觀(guān)測(cè)到的反應(yīng)變量有關(guān),稱(chēng)為非隨機(jī)缺失(MNAR)機(jī)制。目前常

3、用的缺失數(shù)據(jù)處理方法,如EM算法、MI等均只適用于隨機(jī)缺失(MAR)。資料中包含MNAR時(shí),采用上述方法的參數(shù)估計(jì)可能有偏。模式混合模型(PMM)將缺失模式引入隨機(jī)效應(yīng)模型,不但允許各種缺失模式下的截距不同,其它參數(shù)之間也可不同,進(jìn)而解釋了由于MNAR所引致的偏倚,是一種理論完善,具有實(shí)際意義的缺失值處理方法。為解決監(jiān)測(cè)資料中MNAR問(wèn)題,本課題系統(tǒng)闡述了模式混合模型(PMM)原理,根據(jù)數(shù)據(jù)缺失比例模擬證實(shí)了不同樣本含量的模式混合模型條件。結(jié)合社區(qū)高血壓規(guī)范化管理數(shù)據(jù),構(gòu)建了隨機(jī)效應(yīng)模型,節(jié)儉模式混合模型(PA-PMM)和飽和模式混合模型(SA-PMM),進(jìn)行了不同缺失模式下的線(xiàn)性估計(jì)。SAS

4、編程實(shí)現(xiàn)不可忽略缺失機(jī)制檢驗(yàn),并對(duì)飽和模型結(jié)果進(jìn)行了敏感性分析。主要結(jié)果如下:1、MNAR資料分析中PMM更具優(yōu)勢(shì)模擬研究證實(shí)對(duì)存在MNAR的數(shù)據(jù)集,缺失比例一定時(shí),隨樣本含量增加,CC和PMM的估計(jì)結(jié)果與模擬真值越來(lái)越接近;樣本含量大于200時(shí),隨缺失比例增加,CC與模擬真值偏離程度.【英文摘要】Missing data always cant be avoided in longitudinal study. A MNAR mechanism is called when the missingness is related to the unobserved response varia

5、bles. There are lots of statistical methods for missing data, such as EM algorithm and multiple imputations (MI), which are used for MAR mechanism. However, when there exists MNAR mechanism, it seems that these methods will get biased parameter estimates. A pattern mixture model (PMM) induces the mi

6、ssing patterns into random effect model, which allows both in.【關(guān)鍵詞】非隨機(jī)缺失(MNAR) 不可忽略缺失 模式混合模型(PMM) 廣義計(jì)分型檢驗(yàn) 敏感性分析【英文關(guān)鍵詞】Missing Not at Random(MNAR) Non-ignorable missing Pattern mixture model(PMM) Generalized score-type test Sensitivity analysis【目錄】基于非隨機(jī)缺失機(jī)制的模式混合模型醫(yī)學(xué)應(yīng)用研究 摘要 5-7 Abstract 7-8 第一章 前言 9-1

7、2 第二章 原理與方法 12-18 2.1 數(shù)據(jù)缺失機(jī)制 12-132.1.1 完全隨機(jī)缺失 12 2.1.2 隨機(jī)缺失 12 2.1.3 非隨機(jī)缺失 12-13 2.2 混合效應(yīng)模型基本原理 13 2.3 PMM 基本原理 13-14 2.4 參數(shù)估計(jì) 14-15 2.5 基于二次推斷函數(shù)可忽略缺失機(jī)制檢驗(yàn) 15-17 2.5.1 二次推斷函數(shù) 16 2.5.2 可忽略缺失機(jī)制檢驗(yàn) 16-17 2.6 軟件實(shí)現(xiàn) 17-18 第三章 模擬研究 18-24 第四章 實(shí)例分析 24-35 4.1 基線(xiàn)資料統(tǒng)計(jì)描述 24-25 4.2 缺失機(jī)制判斷 25 4.3 PMM 構(gòu)建 25-32 4.3.1

8、 收縮壓PMM 結(jié)果分析 26-29 4.3.2 舒張壓PMM 結(jié)果分析 29-32 4.4 敏感性分析 32-35 第五章 討論 35-37 第六章 小結(jié) 37-38 參考文獻(xiàn) 38-41 個(gè)人簡(jiǎn)介 41-42 致謝 42 膈蚃袇羆膇螅肂芅膆蒅裊膁膅薇肁肇芄蝕襖羃芃螂蚆芁芃蒂袂芇節(jié)蚄蚅膃芁螆羀聿芀蒆螃羅艿薈羈芄羋蝕螁膀莇螃羇肆莇蒂螀羂莆薅羅袈蒞螇螈芇莄蕆肅膃莃蕿袆聿莂蟻肂羄莁螄襖芃蒁蒃蚇腿蒀薆袃肅葿蚈蚆羈蒈蕆袁羇蕆薀螄芆蒆螞罿膂蒅螄螂肈蒅蒄羈羄薄薆螀節(jié)薃蠆羆膈薂螁蝿膄薁薁肄肀膈蚃袇羆膇螅肂芅膆蒅裊膁膅薇肁肇芄蝕襖羃芃螂蚆芁芃蒂袂芇節(jié)蚄蚅膃芁螆羀聿芀蒆螃羅艿薈羈芄羋蝕螁膀莇螃羇肆莇蒂螀羂莆薅羅袈蒞螇螈芇莄蕆肅膃莃蕿袆聿莂蟻肂羄莁螄襖芃蒁蒃蚇腿蒀薆袃肅葿蚈蚆羈蒈蕆袁羇蕆薀螄芆蒆螞罿膂蒅螄螂肈蒅蒄羈羄薄薆螀節(jié)薃蠆羆膈薂螁蝿膄薁薁肄肀膈蚃袇羆膇螅肂芅膆蒅裊膁膅薇肁肇芄蝕襖羃芃螂蚆芁芃蒂袂芇節(jié)蚄蚅膃芁螆羀聿芀蒆螃羅艿薈羈芄羋蝕螁膀莇螃羇肆莇蒂螀羂莆薅羅袈蒞螇螈芇莄蕆肅膃莃蕿袆聿莂蟻肂羄莁螄襖芃蒁蒃蚇腿蒀薆袃肅葿蚈蚆羈蒈蕆袁羇蕆薀螄芆蒆螞罿膂蒅螄螂肈蒅蒄