Advanced statistics: Missing data in clinical research - Part 2: Multiple imputation
Advanced statistics: Missing data in clinical research - Part 2: Multiple imputation
复制标题
DOI：
10.1197/j.aem.2006.11.038
复制
发表时间：
2007-07-01
影响因子：
4.4
通讯作者：
Haukoos, Jason S.
中科院分区：
文献类型：
--
作者：
Newgard, Craig D.;Haukoos, Jason S.
在本系列的第一部分中，作者描述了临床研究中不完整数据的重要性，并通过描述典型的删失机制和模式，详细介绍了各种相对简单的方法及其局限性，提供了一个处理不完整数据的概念框架。在第2部分中，作者将探讨多重插补（MI），这是一种处理临床研究中不完整数据的更复杂和有效的方法。本文将提供MI的详细概念框架，MI与处理不完整数据的朴素方法的比较示例（以及不同方法如何影响后续研究结果），以及实现MI的实用用户指南，包括示例统计软件MI代码和与示例代码一起使用的去识别的前置数据库。
In part I of this series, the authors describe the importance of incomplete data in clinical research, and provide a conceptual framework for handling incomplete data by describing typical mechanisms and patterns of censoring, and detailing a variety of relatively simple methods and their limitations. In part 2, the authors will explore multiple imputation (MI), a more sophisticated and valid method for handling incomplete data in clinical research. This article will provide a detailed conceptual framework for MI, comparative examples of MI versus naive methods for handling incomplete data (and how different methods may impact subsequent study results), plus a practical user's guide to implementing MI, including sample statistical software MI code and a deidentified preceded database for use with the sample code.