Abstrakt

Eine Analyse von Auswahlmodellen für unvollständige klinische Längsschnittstudien aufgrund von Studienabbrüchen: Eine Anwendung auf Daten aus multizentrischen Studien

Ali Satty

Ein häufiges Problem bei der statistischen Analyse sind fehlende Daten, die auftreten, wenn einige Variablen in einigen Einheiten fehlende Werte aufweisen. Der vorliegende Aufsatz befasst sich mit der Analyse von longitudinalen kontinuierlichen Messungen mit unvollständigen Daten aufgrund von nicht zu vernachlässigenden Dropouts. Bei wiederholten Messdaten nimmt das Auswahlmodell als eine Lösung für ein solches Problem einen Mechanismus von ergebnisabhängigen Dropouts und sowohl den Mess- als auch den Dropout-Prozess wiederholter Messungen an. Wir betrachten die Konstruktion eines bestimmten Typs von Auswahlmodell, das ein logistisches Regressionsmodell verwendet, um die Abhängigkeit von Dropout-Indikatoren von der longitudinalen Messung zu beschreiben. Wir konzentrieren uns auf die Verwendung des Diggle-Kenward-Modells als Werkzeug zur Bewertung der Sensitivität eines Auswahlmodells in Bezug auf die Modellannahmen. Unser Hauptziel besteht hier darin, den Einfluss des Dropout-Prozesses auf die Schlussfolgerung zu untersuchen, den er auf die betrachteten Daten ausüben könnte. Wir beschränken uns auf ein Modell für wiederholte Gaußsche Messungen, bei denen möglicherweise nicht zufällige Dropouts auftreten. Um dies zu untersuchen, führen wir eine Anwendung zur Analyse unvollständiger longitudinaler klinischer Studien mit Dropout anhand eines praktischen Beispiels in Form von Daten einer multizentrischen klinischen Studie durch.