处理仿真研究中的缺失、失败与非收敛：当前实践综述与建议
统计方法学
2025-07-11 v3
摘要
仿真研究通常用于方法学研究中，以对数据分析方法进行实证评估。它们在指定机制下生成人工数据集，并比较不同方法在不同条件下的性能。然而，仿真重复并不总是产生有效的输出，例如由于非收敛或其他算法失败。这一现象使结果的解释变得复杂，特别是当其发生在不同方法和条件间存在差异时。尽管此类“缺失”可能带来严重后果，但目前关于其普遍性的定量数据以及如何处理的具体指导有限。为此，我们审查了发表在各种方法学期刊上的 482 篇仿真研究，并系统评估了缺失的普遍性和处理方式。我们发现，仅 23% (111/482) 的被审查仿真研究提及了缺失，报告频率 (92/482 = 19%) 或处理方式 (67/482 = 14%) 的则更少。我们提出了缺失的分类及可能的解决方案。我们给出了多项建议，最值得注意的是始终量化并报告缺失（即使未观察到缺失），使缺失处理与研究目标相一致，并共享代码和数据以用于复现和再分析。我们使用一个关于发表偏倚调整方法的案例研究，说明了常见的陷阱和解决方案。
引用
@article{arxiv.2409.18527,
title = {Handling Missingness, Failures, and Non-Convergence in Simulation Studies: A Review of Current Practices and Recommendations},
author = {Samuel Pawel and František Bartoš and Björn S. Siepe and Anna Lohmann},
journal= {arXiv preprint arXiv:2409.18527},
year = {2025}
}