原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
纵向设计的临床试验中数据现象十分普遍和严重。ICHE9认为应在方
案中预先对试验中产生的数据使用何种处理方法。
常见的填补类方法一般要求数据的属于某种特定类型或归于某种
，例如单一填补法中的LOCF需要假定数据是完全随机型MCAR，而
这种类型却比较少见。当样本量小或数据比例较高时，有些填补类方法
将难以完成填补过程，例如多重填补因迭代算法不收敛而导致填补失败。
MMRM的出现弥补了填补类方法的诸多弊端，它基于最大似然估计，将纵
向数据中的所有已观察到的数据纳入模型分析。相较于单一填补，MMRM无需
对数据的做出假定，而且MMRM较LOCF能更好的控制Ⅰ类错误率并
能相对减少因为错误填补而产生的偏倚。相较于多重填补，样本量及数据的
程度对MMRM的估计过程影响不大，而且MMRM不对数据进行填补，这
样可以本质的避免由数据填补而引起的参数估计的偏倚。
本研究采用蒙特卡罗模拟，针对MCAR型和随机型MAR两种数
据类型分别系统的比较了各种数据处理办法的检验效能和Ⅰ类错误的
控制情况：
X~B(n,π)
（1）对于MCAR型，利用rantbl函数产生的判别矩阵，矩
阵中的元素只有0和1，用于标识完整数据集中相应位置的元素是否。在缺
失数据集产生，采用LOCF填补、WOCF填补和多重填补等方法分别进行
填补，对于MMRM则直接通过建模对各访视和组别进行最小二乘估计，并比较
各种方法的检验效能和Ⅰ类错误。
（2）对于MAR型，按照最常见的疗效缺乏LOE条件进行设置。
模拟中，首先设定一个LOE参数用于判断试验组或对照组在某次访视的观察值
是否达到了期望的下降要求，若不满足条件，则将该次访视及其的观察值全
部清空。然后采用各种处理方法进行填补或估计，其中对多重填补的填补步更换
了适用于单调的填补方式，最后比较各种方法的Ⅰ类错误和检验效能并观察
当LOE条件参数增大后，各方法估计结果的稳定性。
（3）通过模拟MCAR和MAR的混合型以反映临床试验数据实际
情况，混合型包括固定5%的MCAR型和两种不同程度的LOE。
对生成的数据集应用各种方法填补或估计，比较检验效能和Ⅰ类错误。
Datalossinclinicaltrialswithlongitudinaldesignisverycommonandserious.
ICHE9believesthatinthescheme,themethodofprocessingshouldbepre-declared
formissingdatageneratedintheexperiment.
Commonfill-upmethodsgenerallyrequirethatthedataismissingorattributedtoac
ertaincauseofmissing.Forexample,LOCFinasinglefill-upmethodrequiresthatthedatabe
assumedtobe
文档评论（0）