缺失数据处理在试验设计中地应用.docVIP

缺失数据处理在试验设计中的应用-工程论文 缺失数据处理在试验设计中的应用 陈婷婷CHENTing-ting （西京学院应用会计系，西安710123） （SchoolofAccounting，XijingUniversity，Xi′an710123，China） 摘要：数据缺失在社会经济研究、抽样调查、生物医药研究等诸多领域普遍存在，因而缺失数据的处理一直是国际统计学界热点讨论的课题之一。本文以哮喘临床试验为例构建缺失模型对缺失数据进行处理。通过介绍三种缺失机制，根据哮喘临床试验中真实情况模拟产生数据，在此基础上构建MAR模型，借助WinBUGS和R软件通过贝叶斯方法对模型中的参数进行估计。结果表明，在哮喘临床试验中基于缺失模型的方法对结论的敏感性分析效果显著。 Abstract:Missingdataisamainprobleminmanyfieldssuchassocio-economicresearch,samplesurveysandthefieldofbiomedicalresearchandmanyothercommon.Therefore,copingwithmissingdatahasbeenanincreasingimportantissueinthediscussionofinternationalstatistic.Inthispaper,webuiltamodelforcopingwiththemissingdatafromaasthmaclinicaltrials.Weintroducedthreekindsofmissingmechanismstoanalyzethecharacterofmissingdataindifferentmissingmechanism.ThedatainthispaperweregeneratedfromrealsituationsimulationwithR,basedonwhichMARmodelwerebuilt.Theresultsshowthat,inasthmaclinicaltrials，themethodweuseismorepreferabletoassessthesensitivityoftheconclusions. 关键词 ：缺失数据；缺失模型；WinBUGS；临床试验 Keywords:missingdata；missingmodle；WinBUGS；clinicaltrial 中图分类号：C81文献标识码：A文章编号：1006-4311（2015）31-0187-03 0引言 数据挖掘在社会经济研究、抽样调查、生物医药研究等诸多领域得到广泛应用，然而数据缺失现象也相伴而生。数据的缺失不仅影响了数据的质量，也可能造成统计分析结果的严重偏差。因此，对缺失数据的合理处理是一个非常重要的问题，是数据预处理的重要环节，也是提高数据质量、预测模型准确率和降低估计误差的重要方法之一。 在新药临床试验设计中，经常会由于试验设计不合适或者在试验进行中出现故障等原因造成部分试验数据未被记录到，即会出现数据缺失的现象。一般而言，对于缺失的数据通常的解决方法是调整系统并重新进行试验以便将缺失的数据补齐。但在实际中，由于试验周期要求、试验成本的限制、试验对象的唯一性或者无法进行重新的补充调查等原因使得试验不可重复。因此通过已有数据所提供的信息，科学地处理缺失数据对临床试验设计具有重要意义。 1变量说明及数据缺失机制 1.1数据及变量说明 本文设计五组哮喘临床试验来评估布地奈德（budesonide）的有效性和安全性。五组分别为安慰机组以及分别注入200mcg、400mcg、800mcg和1600mcg的布地奈德的治疗组。将有患有慢性哮喘的446名的病人，按照随机双盲多中心平行试验的方法进行设计，对患者12周的情况进行记录。考虑到数据的保密性，本文所采用的数据根据哮喘临床试验真实背景模拟产生。对于布地奈德的疗效评估，通常用下面两个变量来衡量：即1秒钟呼出的气体的容积FEV1和呼气峰流速PEF。本文主要用FEV1的变化率评估布地奈德的疗效。对于某一患者，FEV1的重要变化依赖于他（她）的FEV1的预计值。FEV1的预计值可以由一个人的体重、年龄和性别等来估计得出。对哮喘者病情的判断采用就诊时FEV1占预计值的百分比进行。本文将FEV1和基线的比较得到的变化作为FEV1的预计值百分比来看作是响应，记为FEV1占预计值的百分比。 假设有i∈1，…，N个病人随机的进入试验，每个病人在时间tij，j∈1，…，J可以测得其响应，令ti1=0。第i个个体在时间tij基于基线的主要响应记为yij，因此有yi1=0，列向量yi