3、临床研究中的数据处理方法：多重插补与Bhattacharya分析

临床研究中的数据处理方法：多重插补与Bhattacharya分析

1. 临床研究中的数据插补方法

在临床研究中，缺失数据是一个常见的问题。为了提高测试的敏感性，通常会采用数据插补的方法，即用构造值来填充缺失数据。以下是几种常见的数据插补方法及特点。

1.1 传统插补方法

• 均值插补和热卡插补 ：这是较为传统的方法，但在处理有限且偶然出现的缺失数据时，敏感性相对较低。
• 多重回归替代法 ：使用具有统计学显著预测因子的回归方程进行插补，比均值插补和热卡插补更敏感。

1.2 现代插补方法

• 最大似然法 ：基于对数似然比检验，与线性回归一样基于正态分布，比线性回归中应用的传统t检验或ANOVA检验更敏感。SPSS统计软件的“Missing Value Analysis”附加模块提供了该方法，但在每次替代时会添加一些随机误差，过程相对随意。
• 多重插补法 ：Little和Rubin通过多次热卡插补而不是单次插补，并将结果汇总用于最终数据分析。该方法可能比单次热卡插补提供更好的敏感性，使用蒙特卡罗马尔可夫模拟模型生成数据。虽然多重插补模型较为复杂，且结果不如回归插补显著，但它充分考虑了缺失数据的不确定性，是一种安全且科学上可能更好的替代标准方法。在给定的例子中，与回归插补不同，它似乎没有夸大测试的敏感性。

1.3 插补方法的测试比较

在一个包含35名患者的数据集上，随机移除五个