خلاصة:
دادههای گمشده مشکلی رایج در پژوهشهای مبتنی بر آمارگیری است. بستههای بسیاری وجود دارند که دادههای گمشده را جبران میکنند اما تعداد کمی میتوانند بهراحتی اطلاعات طولی گمشده را جبران کنند. WinBUGS دادههای گمشده را با استفاده از جانهی چندگانه جبران میکند و قادر است ساختار طولی را با استفاده از اثرات تصادفی یکپارچه کند. ما برتری جانهی طولی بر جانهی مقطعی را با استفاده از WinBUGS نشان میدهیم. ما از اطلاعات مثالی مربوط به مطالعهی طولی استرالیا دربارهی سلامت زنان استفاده میکنیم. همچنین نتایج نرم افزار SAS را ارائه میدهیم که از WinBUGS برای تحلیل مدلهای طولی با اطلاعات گمشدهی متغیر کمکی استفاده میکند و استفاده از آن را در مطالعهی طولی بیماران سرطانی لاعلاج و پرستاران آنها نشان میدهیم.
Missing data is a common problem in survey based research. There are many packages that compensate for missing data but few can easily compensate for missing longitudinal data. WinBUGS compensates for missing data using multiple imputation، and is able to incorporate longitudinal structure using random effects. We demonstrate the superiority of longitudinal imputation over cross-sectional imputation using WinBUGS. We use example data from the Australian Longitudinal Study on Woman’s Health. We give a SAS macro that uses WinBUGS to analyze longitudinal models with missing covariate data، and demonstrate its use in a longitudinal study of terminal cancer patients and their carers.
ملخص الجهاز:
SGUBniW دادههای گمشده را با استفاده از جانهی چندگانه جبران میکند و قادر است ساختار طولی را با استفاده از اثرات تصادفی یکپارچه کند.
همچنین نتایج نرمافزار SAS را ارائه میدهیم که از SGUBniW برای تحلیل مدلهای طولی با اطلاعات گمشدهی متغیر کمکی استفاده میکند و استفاده از آن را در مطالعهی طولی بیماران سرطانی لاعلاج و پرستاران آنها نشان میدهیم.
هدف این مقاله نشان دادن توانایی SGUBniW برای جبران دادههای طولی گمشده با تمرکز خاص بر دادههای گمشدهی متغیر کمکی است.
در بخش 6 یک ماکروی کلی SAS (که SGUBniW نامیده میشود)برای تحلیل مدلهای طولی با دادههای گمشدهی متغیر کمکی ارائه میدهیم.
متغیرهای کلیدی برای تحلیل میزاین وقوع دیابت و وزن در زیر نشان داده شده است.
برای مثال در HWSLA در 1S تعداد 454 زن (4%)وزن خود را گزارش نکردند در حالی که برای دیگر متغیرهای استفاده شده در این گزارش درصد میانگین دادههای گمشده 1/3%بود.
این بدان معنی است که از حداکثر اطلاعات برای جانهی وزن استفاده کردهایم،در حالی که آمارگیریهای 1 و 2 از مؤلفهی دیابت حذف شده بودند زیرا ما تنها به موردهای وقوع بیماری علاقهمند بودیم.
زمان لازم برای اجرای مدل جانهی طول (بسیار پیچیده)در SGUBniW برابر 53 دقیقه بود که از یک سرور noitidE esirpretnE 3002 revreS swodniW tfosorciM و پردازندهی دوگانهی noeX با ظرفیت zHG 3/6 و MAR با ظرفیت BG 6 استفاده شده است.
در مثال ما دربارهی وقوع دیابت بین پارامترهای براورد شده از مدل جانهی مقطعی و مدلی که ساختار طولی دادهها را مورد استفاده قرار میداد،تفاوتی وجود نداشت.