Meta分析數值缺失狀態下MCMC模擬導向的基於多重填補法的缺失值處理的方法

2023-07-22 16:08:26

Meta分析數值缺失狀態下MCMC模擬導向的基於多重填補法的缺失值處理的方法
【專利摘要】本發明公開了一種Meta分析數值缺失狀態下MCMC模擬導向的基於多重填補法的缺失值處理的方法，其特點是：以貝葉斯概率論為基點，以馬爾可夫蒙特卡洛（MCMC）隨機模擬方法為導向，基於多重填補法的缺失值處理，應用於任意缺失模式的Meta分析數據缺失狀態下，實現將缺失值處理與常規Meta分析中缺失數據集的一體化整合。該方法可最大程度的擬合缺失數據，以儘可能地保證提取數據的完整性和後續標準統計的可行性，顯著提升Meta分析的統計檢驗效能，增強系統評價結果的穩健性和可靠性，增強對系統綜述評價的科學性和全面性。
【專利說明】Meta分析數值缺失狀態下MCMC模擬導向的基於多重填補 法的缺失值處理的方法

【技術領域】
[0001] 本發明涉及醫學統計學領域，尤其涉及一種Meta分析數值缺失狀態下MCMC模擬 導向的基於多重填補法的缺失值處理的方法。

【背景技術】
[0002] 在生物醫學領域，Meta分析是對具有相同研究目的的多個獨立小樣本的臨床試驗 及基礎實驗研究的結果進行系統分析和定量綜合，以提高統計檢驗的效能和增加效應值估 計的精確度，解決各研究結果的不一致性以及尋求新的假說。Meta分析在臨床診斷技術準 確性的評估和優選、臨床治療效果的評價和優化、病因學因果關聯的評估、疾病預防幹預的 評價、疾病防治的成本效益分析、衛生經濟學研究、衛生服務評價、衛生決策及衛生管理評 價中有著廣泛而深刻的應用價值，有助於將有限的醫療資源更為合理地運用在那些已經在 適當設計的評估中表現出有效的衛生健康服務的方式上。
[0003] 在Meta分析中，對納入的獨立小樣本的臨床試驗及基礎實驗研究進行數據提取 及分析過程中，因個別臨床研究在採集、填寫、錄入等過程中的隨機因素或人為因素，往往 有部分數據的刪失以至於不能提取到需要研究的全部相關數據。缺失數據對Meta分析的 統計和研究推論往往造成不利影響：由於受試者部分數據的缺失，使得受試者的數據在統 計分析時無效或不可靠，以致有效樣本量減少，繼而導致臨床結果的可靠性難以得到保障 和研究結論出現偏差。當前對於研究數據的缺失，常規採取聯繫其研究的原作者，以索取更 為詳細的相關資料和數據，但是因為研究發表的年代差距因素或者實驗本身的局限性因素 等諸多因素，缺失的數據往往未能得以完好的補充；有時在聯繫原作者索取未果情況下，不 得已要將有缺失數據的某研究排除。尤其當完全觀測數據和不完全觀測數據存在系統差異 時，常規處理方法得到的結果通常不能代表整體，這樣可增大Meta分析的統計方差，降低 檢驗效能，影響系統評價的穩定性和可信度，降低評估的精確性和損耗隨機化的效果，以致 作出偏倚性結論，無法得到科學合理的解釋。


【發明內容】

[0004] 本發明主要目的在於提供一種Meta分析數值缺失狀態下MCMC模擬導向的基於多 重填補法的缺失值處理的方法，其特徵在於以貝葉斯概率論為基點，以馬爾可夫蒙特卡洛 (Markov Chain Monte Carlo algorithm，MCMC)隨機模擬方法為導向，基於多重填補法的 缺失值處理，應用於任意缺失模式的Meta分析數據缺失狀態下，實現將缺失值處理與常規 Meta分析中數據提取缺失的一體化整合。在Meta分析對數據提取的過程中，基於Meta分 析數據缺失狀態下的假設，以貝葉斯理論為原理，以缺失值處理分析為解決策略，以缺失的 定量及等級資料為填充對象，以馬爾可夫蒙特卡洛隨機模擬方法為導向，以多重填補法作 為缺失數據處理與模型的契合點，最大程度的擬合缺失數據集，彌補納入研究數據缺失的 不足，以儘可能地保證提取數據的完整性和後續標準統計的可行性，顯著提升Meta分析的 統計檢驗效能，增強系統評價結果的穩健性和可靠性，避免了在Meta分析中獨立研究因數 據缺失而被排除的局限性，增強對系統綜述評價的科學性和全面性。
[0005] 本發明的有益效果為：Meta分析數值缺失狀態下MCMC模擬導向的基於多重填補 法的缺失值處理的方法，有效論證了缺失值處理在Meta分析數據缺失狀態下應用的可行 性，強化了馬爾可夫蒙特卡洛隨機模擬方法在多重填補缺失處理中應用，也開創了在Meta 分析數據缺失狀態下缺失值處理的先例。缺失值處理在Meta分析的數據處理中的應用，最 大程度的保證提取數據的完整性，能夠解決有缺失數據資料中相對普遍的問題，尤其當數 據呈任意缺失模式時，可以運用MCMC模型來處理複雜的數據缺失問題，提高統計效率；還 可有效避免均值填充法易使變量分布扭曲，使替代後的分布更接近真值。該方法是對缺失 處理在循證醫學領域的拓展和創新，也是對現有Meta分析的發展和完善，有利於使Meta分 析更加科學規範化、精確具體化和綜合全面化。

【專利附圖】

【附圖說明】
[0006] 附圖1為本發明的一種實施例的示意圖。

【具體實施方式】
[0007] 本發明的具體方法由以下實施例及其附圖1給出。
[0008] 附圖1是根據本發明提出的Meta分析數值缺失狀態下MCMC模擬導向的基於多重 填補法的缺失值處理的方法的流程圖。下面結合圖1詳細說明依據本發明提出的具體方 法。
[0009] (1)馬爾可夫蒙特卡洛(MCMC)導向的多重填補法主要包括3個關鍵步驟：分別是 對目標估計量的估計（即對研究變量的某種估計)，嵌入借補值、創建完全數據集（即主要完 成對借補值的估計)，以及合併對目標估計量的估計結果。其中，對缺失數據的借補值的估 計正是目標估計量的估計的關鍵所在。
[0010] (2)從貝葉斯概率論出發，多重填補用Ymis的後驗預測分布表徵Ymis的相關信息， MCMC方法可藉助馬爾可夫鏈構造或者模擬該後驗分布。應用MCMC方法構造一個有效的 馬爾可夫鏈，從而獲得對該概率分布偽隨機抽樣。根據給定的參數Θ初始值Θ 及Y(As， 多次迭代得到馬氏鏈（Y(1)mis，e(1))，（Y (2)mis，θ?)，…，以1^，θω)，…。從馬氏鏈中可 抽得一個數據擴充鏈Y (k)mis，Y(2k)mis，Y(3k)mis，…，Y(nk)mis…。可從數據擴充鏈中得到Ymis，當 k足夠大時馬氏鏈在（Ymis，Θ | Y(As)處收斂，並且得到鄰近的、相互獨立的兩個借補值。
[0011] (3)當預處理服從多元正態分布的數據時，MCMC須進行以下三步： 初始值：計算已有觀測數據的均值與協方差矩陣，以便估計參數的後驗分布；I-步：依 據與既定Ymis分布進行偽隨機抽樣，從中逐次收集借補值；P-步：根據與缺失數據 借補值 Y(k+1)mis 求得 9(k+1)。
[0012] (4)多重借補的有限次借補：在理想狀態下，重複借補理論認為，無限次的借補時， 該估計的均值正是對缺失數據的估計。基於論證有限次借補公式RE=1A1+λ/ m)為有限次 借補時相對效率，MI的高效估計與借補的數量、缺失數據的比率之間關係密切。優良的估 計參數還要求儘可能小的標準誤估計、儘量窄的置信區間等。實踐中，良好的置信區間與 假設檢驗均需要進行一定數量的借補，那麼允許的條件下應用多重填補法處理數據時應進 行10次或者更多次的借補。
【權利要求】
1. 一種Meta分析數值缺失狀態下MCMC模擬導向的基於多重填補法的缺失值處理的方 法，其特徵在於，以馬爾可夫蒙特卡洛(MCMC)隨機模擬方法為導向，基於多重填補法的缺失 值處理，應用於任意缺失模式的Meta分析數據缺失狀態下，實現將缺失值處理與常規Meta 分析中缺失數據集的一體化整合。
2. 如權利要求1所述的一種Meta分析數值缺失狀態下MCMC模擬導向的基於多重填 補法的缺失值處理的方法，特徵在於，在Meta分析對納入研究的數據提取的過程中，基於 Meta分析數據缺失狀態下的假設，以貝葉斯概率論為基點，以缺失值處理分析為解決策略， 以缺失的定量及等級資料為填充對象，以馬爾可夫蒙特卡洛(MCMC)隨機模擬方法為導向， 以多重填補作為缺失數據處理與模型的契合點，以儘可能最大程度的擬合Meta分析缺失 數據集。
【文檔編號】G06F19/00GK104091094SQ201410376311
【公開日】2014年10月8日 申請日期:2014年8月3日 優先權日:2014年8月3日
【發明者】劉鴻 申請人:劉鴻, 周潔