分类回归模型中二值/分类协变量的总体校准多重插补
统计方法学
2019-01-03 v1
摘要
多重插补（MI）因处理医学研究中缺失数据而广受欢迎。MI 的标准实现基于数据随机缺失（MAR）的假设。然而，对于由非随机缺失（MNAR）机制生成的缺失数据，假设 MAR 进行的 MI 可能不尽如人意。对于给定数据集中不完整的变量，其对应的总体边缘分布也可能在外部数据源中获得。我们展示了如何在插补模型中直接利用该信息，通过引入适当计算的称为“calibrated- 调整”的偏移量，将推断校准至总体。我们描述了从该不完整变量总体分布推导此偏移量的过程，并展示其在应用中如何用于使插补后分布紧密（且常精确）匹配总体水平。通过解析与模拟研究，我们表明所提出的 calibrated- 调整 MI 方法在数据为 MAR 时可给出与标准 MI 相同的推断，并能在两类一般 MNAR 缺失机制下产生更准确的推断。该方法被用于利用英国初级保健电子健康记录对 2 型糖尿病患病率案例研究中的缺失种族数据进行插补，与标准 MI 相比，其对非白人族群推断产生了具有科学意义的变化。Calibrated- 调整 MI 代表了一种在敏感性分析中利用可用总体水平信息的务实方法，以探索可能偏离 MAR 假设的情形。
引用
@article{arxiv.1805.01886,
title = {Population-calibrated multiple imputation for a binary/categorical covariate in categorical regression models},
author = {Tra My Pham and James R Carpenter and Tim P Morris and Angela M Wood and Irene Petersen},
journal= {arXiv preprint arXiv:1805.01886},
year = {2019}
}