缺失數(shù)據的貝葉斯模型處理.pdf

1、在醫(yī)療研究中,研究人員利用病人的醫(yī)療記錄經常會遇到一些數(shù)據缺失問題。這些缺失的數(shù)據中蘊含著對醫(yī)療診斷和研究有很大價值的信息,那么如何處理醫(yī)療數(shù)據的缺失問題就成為一項重要的研究課題。在現(xiàn)實環(huán)境中,產生數(shù)據缺失的原因有很多。不同的背景下,采用不同缺失數(shù)據處理方法對統(tǒng)計分析工作有很重要的影響。傳統(tǒng)的處理方法是直接刪除含有缺失數(shù)據的醫(yī)療記錄,或默認值處理,或完全不處理,得到的分析結果往往不是很滿意。針對不同的缺失數(shù)據問題,Little和Rubi

2、n定義了以下三種不同的數(shù)據缺失機制:完全隨機缺失(missing completely at random,MCAR);隨機缺失(missing atrandom,MAR),及信息缺失(information missing,IM)。
　　 本文主要目的是研究信息缺失(IM)機制下的醫(yī)療數(shù)據缺失問題。通過馬爾科夫隨機數(shù)據模擬來探討三種貝葉斯模型處理缺失數(shù)據的方法,即先賦予含缺失數(shù)據的變量一個簡單的先驗分布,再進行缺失數(shù)據填補的方

3、法。不失一般性,同時探討兩種多變量結構的logistic回歸模型的數(shù)據填補方法。最后作為對比,檢驗完全觀測數(shù)據分析模型和對條件的缺失進行缺失數(shù)據處理模型的數(shù)據填補情況。結果表明每一種方法的偏差和均方誤差與變量的缺失率及缺失機制有關,且沒有任何一種方法有很好的填補效果。但是,假設先賦予缺失變量一個簡單的先驗分布,且分布參數(shù)服從一致的先驗分布,在大多數(shù)情況下都可以相對降低偏差,對于醫(yī)療研究有非常重要的意義。最后,以分析影響心臟病患者死亡率的