مقالات اپيدميولوژي

مقدمه و هدف: داده هاي گمشده در بسياري از مطالعات آماري از جمله مدل هاي رگرسيوني وجود دارند و باعث کاهش دقت برآورد مي شوند. تاکنون روش هاي گوناگوني براي مقابله با مشکل داده هاي گمشده ابداع شده که عموما بر داده هاي گمشده متغير پاسخ متمرکز بوده است حال آنکه متغيرهاي پيشگو نيز مي توانند دستخوش تغيير و از دست رفتن اطلاعات شوند.
مواد و روش ها: در اين تحقيق ضمن بررسي روش جانهي داده هاي گمشده با استفاده از الگوريتم EM و متغير کمکي، نتايج حاصل از اين روش را با روش تحليل مورد کامل در يک مدل رگرسيون لجستيک پيرامون عوامل موثر بر انتخاب نوع زايمان مقايسه مي کنيم.
يافته ها: داده هاي مورد استفاده در اين مقاله از يک مطالعه توصيفي پيرامون عوامل مرتبط با انتخاب نوع زايمان در زنان مراجعه کننده به مراکز بهداشتي و درماني شهر تهران بدست آمده است. حجم نمونه در اين تحقيق 385 نفر بوده و از روش نمونه گيري چند مرحله اي انتخاب شدند و مشخصات فردي، سوابق مامايي، نوع نگرش و عوامل اجتماعي نمونه ها از طريق پرسشنامه ثبت شدند. براي مقايسه ميزان کارايي دو روش، برآورد انحراف معيار پارامترها مورد استناد قرار گرفت.
بحث و نتيجه گيري: نتايج حاصل نشان مي دهد روش تحليل درستنمايي با الگوريتم EM در مقايسه با روش مورد کامل کارايي بهتري دارد. مشکل داده هاي گمشده در بسياري از مطالعات آماري وجود دارد و موجب اريبي و کاهش کارايي مي شوند. در اين بررسي نشان داده ايم استفاده از الگوريتم EM براي جانهي گمشده ها در يک مدل رگرسيون لجستيک با متغيرهاي توضيحي گسسته و سپس تحليل مدل، از روش مورد کامل که مستلزم حذف گمشده ها به همراه قسمت هايي از اطلاعات است کاراتر است. از سوي ديگر اگر متغير توضيحي ناکامل پيوسته باشد بدست آوردن مدل، روشي متفاوت مي طلبد و يا مي توان با تبديل آن به متغيري گسسته از روش قبل استفاده کرد.

 نسخه قابل چاپ