基于非隨機缺失機制的模式混合模型醫(yī)學應用研究.pdf

1、數(shù)據(jù)缺失在縱向研究中往往是無法避免的。若其缺失機制與未觀測到的反應變量有關，稱為非隨機缺失（MNAR）機制。目前常用的缺失數(shù)據(jù)處理方法，如EM算法、MI等均只適用于隨機缺失（MAR）。資料中包含MNAR時，采用上述方法的參數(shù)估計可能有偏。模式混合模型（PMM）將缺失模式引入隨機效應模型，不但允許各種缺失模式下的截距不同，其它參數(shù)之間也可不同，進而解釋了由于MNAR 所引致的偏倚，是一種理論完善，具有實際意義的缺失值處理方法。
　　

2、 為解決監(jiān)測資料中MNAR 問題，本課題系統(tǒng)闡述了模式混合模型（PMM）原理，根據(jù)數(shù)據(jù)缺失比例模擬證實了不同樣本含量的模式混合模型條件。結合社區(qū)高血壓規(guī)范化管理數(shù)據(jù)，構建了隨機效應模型，節(jié)儉模式混合模型（PA-PMM）和飽和模式混合模型（SA-PMM），進行了不同缺失模式下的線性估計。SAS 編程實現(xiàn)不可忽略缺失機制檢驗，并對飽和模型結果進行了敏感性分析。主要結果如下：
　　 1、MNAR 資料分析中PMM 更具優(yōu)勢模擬研究證

3、實對存在MNAR的數(shù)據(jù)集，缺失比例一定時，隨樣本含量增加，CC和PMM的估計結果與模擬真值越來越接近；樣本含量大于200時，隨缺失比例增加，CC與模擬真值偏離程度逐漸加大，而PMM與模擬真值均相近表明PMM 參數(shù)估計結果更穩(wěn)定。
　　 2、廣義計分型檢驗是判斷缺失機制的一種有效方法廣義計分型檢驗Q 統(tǒng)計量服從2 c分布。如果Q值大于2, n a c，則有理由拒絕原假設，可以認為該缺失機制為不可忽略缺失。本實例缺失比例達12％，收

4、縮壓和舒張壓廣義計分型檢驗，Q值分別為387.96和36.90， P值均小于0.01，尚不能認為其缺失機制為MCAR。
　　 據(jù)專業(yè)知識分析，每次監(jiān)測的血壓是否會出現(xiàn)缺失，很可能與未觀測到的血壓值有關，因此判斷其缺失機制為MNAR。
　　 3、按不完全數(shù)據(jù)缺失模式進行模式混合模型分析，各層中可得到不同模型，更符合專業(yè)解釋。
　　 對社區(qū)高血壓規(guī)范化管理數(shù)據(jù)，分別構建收縮壓和舒張壓PA-PMM和SA-PMM。假定4

5、種缺失模式間PA-PMM 僅截距項不同，而SA-PMM 則所有參數(shù)均不相同。分析結果表明，PA-PMM中4種模式下的截距線性估計值均接近，且與混合效應模型的截距也相近，而SA-PMM 各個參數(shù)的線性估計值則不同。以病程為一年，60歲男性高血壓患者為例，完全數(shù)據(jù)（模式1）收縮壓最低；后三次以上的監(jiān)測數(shù)據(jù)缺失模式（模式4）收縮壓最高；而舒張壓結果，模式1最高，模式4 最低。表明該研究中血壓未得到有效控制的患者更易出現(xiàn)數(shù)據(jù)缺失。