多个部分插补,填补了纵向数据集的关键性缺陷

生物医学研究中存在诸多缺失数据的问题,特别是纵向设计的医疗和行为疗法临床试验。回顾不完整的纵向数据的全似然函数的文献,本文提出了一套融合实施选择、模型混合和共享参数等方法的策略,用于解决间歇性缺失或退出(潜在不可忽视数据)数据的缺失问题。这种多重部分插补方法大致是这样的:间歇性缺失值先估算多次,然后对每个部分的差值进行估算解决退出数据的缺失问题。根据选择的插补模型或测量模型,多种策略可以联合应用于同一组数据以研究治疗或干预效果。比如说,这些策略被应用到戒烟临床试验的连续重复测量的数据集。

产品特点

  • 不完整数据分析,用户界面良好。

  • 用户可以依据已发表的文献(主要来自PubMed和谷歌学术搜索)调整 SNP /基因/通路的先验选择概率。

  • 探索各种缺失机制,并建议纵向建模策略。

  • 创建间歇性缺失数据的多重部分插补。

  • 使用 DK 和PM模型敏感性分析,处理不可忽略退出导致的缺失数据。





下载统计指南了解更多信息


下载