在臨床研究中，長期追蹤資料常由於受試者的某些原因(例如身體產生不良反應(AE)，或是失去連繫(loss of follow-up)等原因)而產生缺失值(missing value)。在某些狀況下，缺失值可能有重要的訊息，如果忽略不考慮，會對研究的結論造成很大的影響。所以，先要了解資料中的缺失值是屬於何種型態，再去尋找合適的處理方式。缺失值型態主要可分爲三種: MCAR(missing completely at random), MAR(missing at random) or NMAR(not missing at random)
在處理缺失值的部份，有三大類的方法：(1) 完整資料分析(complete case analysis)，亦即只使用個案中完整無缺失值的，才納入分析；(2) 可用資料分析(available data analysis)，所有收集到的資料，即使僅有部份，也納入分析；(3) 補值法(imputation)，對缺失值的部份先補值，再做分析，又可分爲單一補值(single imputation)及多重補值(multiple imputation)。其中，單一補值法常用的爲last observation carried forward(LOCF)以及baseline observation carried forward(BOCF)。
在MCAR的情形下，可以不對缺失值做處理，而直接就收集到的資料加以分析，但以(2)(3)的方法較佳；此外，如果缺失值的型態爲MAR，則建議以多重補值法爲較佳的處理方式。
Reference:
G. M. Fitzmaurice , Nan M. Laired and James H. Ware. (2004). Applied Longitudinal Analysis. Wiley.
留言列表
