临床数据缺失怎么办？
数据出现问题，也就意味着你的整篇论文通过统计方式得出的结论缺乏严谨性，审稿人看了都要直呼离谱。
因此，在进行一项课题的时候，我们需要做的是尽可能减少数据缺失造成的影响。统计之光任老师将以一篇中科院2区论文为例，为大家带来一个非常靠谱的方法——多重插补法，来解决你临床数据缺失的问题！
文献简介
文献标题：临床研究中缺失数据：多重插补教程
期刊名称：
Canadian Cardiovascular Society
影响因子：5.8，中科院2区
发表时间：2021年9月
主要内容
1
缺失数据机制：
● 数据被认为“完全随机缺失”（MCAR）如果缺失概率与被观测和未观测变量无关。
● 数据被认为“随机缺失”（MAR）如果缺失概率在考虑所有观测变量后与未观测数据无关。
● 数据被认为“非随机缺失”（MNAR）如果不满足MCAR或MAR的条件。
2
多重插补法（MI）：
● MI是一种处理缺失数据的方法，通过为每个缺失值插补多个可能的值，创建多个完整的数据集。
● 在每个数据集中进行相同的统计分析，然后将结果合并，以体现对插补变量真实值的不确定性。
3
MI的实施：
● 使用链式方程的多变量插补（MICE）算法进行MI。
● 讨论了创建多少个插补数据集的问题，以及如何确定M的值。
● 强调了在插补模型中包含分析模型中的所有变量的重要性。
● 讨论了如何处理衍生变量和缺失的结果变量，并例举了实际案例进行详细分析。
4
研究结果：
● 通过比较完整案例分析和MI分析，发现MI分析的置信区间更窄，表明MI能更有效地利用数据。
● 在MI中，使用参数化插补和预测均值匹配（PMM）插补得到的结果相似。
详情添加班主任咨询👇
会员专享课程资料
开通会员后，可免费下载本课程资料
