Meta分析数值缺失状态下MCMC模拟导向的基于多重填补法的缺失值处理的方法
【专利摘要】本发明公开了一种Meta分析数值缺失状态下MCMC模拟导向的基于多重填补法的缺失值处理的方法，其特点是：以贝叶斯概率论为基点，以马尔可夫蒙特卡洛（MCMC）随机模拟方法为导向，基于多重填补法的缺失值处理，应用于任意缺失模式的Meta分析数据缺失状态下，实现将缺失值处理与常规Meta分析中缺失数据集的一体化整合。该方法可最大程度的拟合缺失数据，以尽可能地保证提取数据的完整性和后续标准统计的可行性，显著提升Meta分析的统计检验效能，增强系统评价结果的稳健性和可靠性，增强对系统综述评价的科学性和全面性。
【专利说明】Meta分析数值缺失状态下MCMC模拟导向的基于多重填补 法的缺失值处理的方法
【技术领域】
[0001] 本发明涉及医学统计学领域，尤其涉及一种Meta分析数值缺失状态下MCMC模拟 导向的基于多重填补法的缺失值处理的方法。
【背景技术】
[0002] 在生物医学领域，Meta分析是对具有相同研究目的的多个独立小样本的临床试验 及基础实验研究的结果进行系统分析和定量综合，以提高统计检验的效能和增加效应值估 计的精确度，解决各研究结果的不一致性以及寻求新的假说。Meta分析在临床诊断技术准 确性的评估和优选、临床治疗效果的评价和优化、病因学因果关联的评估、疾病预防干预的 评价、疾病防治的成本效益分析、卫生经济学研究、卫生服务评价、卫生决策及卫生管理评 价中有着广泛而深刻的应用价值，有助于将有限的医疗资源更为合理地运用在那些已经在 适当设计的评估中表现出有效的卫生健康服务的方式上。
[0003] 在Meta分析中，对纳入的独立小样本的临床试验及基础实验研究进行数据提取 及分析过程中，因个别临床研究在采集、填写、录入等过程中的随机因素或人为因素，往往 有部分数据的删失以至于不能提取到需要研究的全部相关数据。缺失数据对Meta分析的 统计和研究推论往往造成不利影响：由于受试者部分数据的缺失，使得受试者的数据在统 计分析时无效或不可靠，以致有效样本量减少，继而导致临床结果的可靠性难以得到保障 和研究结论出现偏差。当前对于研究数据的缺失，常规采取联系其研究的原作者，以索取更 为详细的相关资料和数据，但是因为研究发表的年代差距因素或者实验本身的局限性因素 等诸多因素，缺失的数据往往未能得以完好的补充；有时在联系原作者索取未果情况下，不 得已要将有缺失数据的某研究排除。尤其当完全观测数据和不完全观测数据存在系统差异 时，常规处理方法得到的结果通常不能代表整体，这样可增大Meta分析的统计方差，降低 检验效能，影响系统评价的稳定性和可信度，降低评估的精确性和损耗随机化的效果，以致 作出偏倚性结论，无法得到科学合理的解释。
【发明内容】
[0004] 本发明主要目的在于提供一种Meta分析数值缺失状态下MCMC模拟导向的基于多 重填补法的缺失值处理的方法，其特征在于以贝叶斯概率论为基点，以马尔可夫蒙特卡洛 (Markov Chain Monte Carlo algorithm，MCMC)随机模拟方法为导向，基于多重填补法的 缺失值处理，应用于任意缺失模式的Meta分析数据缺失状态下，实现将缺失值处理与常规 Meta分析中数据提取缺失的一体化整合。在Meta分析对数据提取的过程中，基于Meta分 析数据缺失状态下的假设，以贝叶斯理论为原理，以缺失值处理分析为解决策略，以缺失的 定量及等级资料为填充对象，以马尔可夫蒙特卡洛随机模拟方法为导向，以多重填补法作 为缺失数据处理与模型的契合点，最大程度的拟合缺失数据集，弥补纳入研究数据缺失的 不足，以尽可能地保证提取数据的完整性和后续标准统计的可行性，显著提升Meta分析的 统计检验效能，增强系统评价结果的稳健性和可靠性，避免了在Meta分析中独立研究因数 据缺失而被排除的局限性，增强对系统综述评价的科学性和全面性。
[0005] 本发明的有益效果为：Meta分析数值缺失状态下MCMC模拟导向的基于多重填补 法的缺失值处理的方法，有效论证了缺失值处理在Meta分析数据缺失状态下应用的可行 性，强化了马尔可夫蒙特卡洛随机模拟方法在多重填补缺失处理中应用，也开创了在Meta 分析数据缺失状态下缺失值处理的先例。缺失值处理在Meta分析的数据处理中的应用，最 大程度的保证提取数据的完整性，能够解决有缺失数据资料中相对普遍的问题，尤其当数 据呈任意缺失模式时，可以运用MCMC模型来处理复杂的数据缺失问题，提高统计效率；还 可有效避免均值填充法易使变量分布扭曲，使替代后的分布更接近真值。该方法是对缺失 处理在循证医学领域的拓展和创新，也是对现有Meta分析的发展和完善，有利于使Meta分 析更加科学规范化、精确具体化和综合全面化。
【专利附图】
【附图说明】
[0006] 附图1为本发明的一种实施例的示意图。
【具体实施方式】
[0007] 本发明的具体方法由以下实施例及其附图1给出。
[0008] 附图1是根据本发明提出的Meta分析数值缺失状态下MCMC模拟导向的基于多重 填补法的缺失值处理的方法的流程图。下面结合图1详细说明依据本发明提出的具体方 法。
[0009] (1)马尔可夫蒙特卡洛(MCMC)导向的多重填补法主要包括3个关键步骤：分别是 对目标估计量的估计（即对研究变量的某种估计)，嵌入借补值、创建完全数据集（即主要完 成对借补值的估计)，以及合并对目标估计量的估计结果。其中，对缺失数据的借补值的估 计正是目标估计量的估计的关键所在。
[0010] (2)从贝叶斯概率论出发，多重填补用Ymis的后验预测分布表征Ymis的相关信息， MCMC方法可借助马尔可夫链构造或者模拟该后验分布。应用MCMC方法构造一个有效的 马尔可夫链，从而获得对该概率分布伪随机抽样。根据给定的参数Θ初始值Θ 及Y(As， 多次迭代得到马氏链（Y(1)mis，e(1))，（Y (2)mis，θ?)，…，以1^，θω)，…。从马氏链中可 抽得一个数据扩充链Y (k)mis，Y(2k)mis，Y(3k)mis，…，Y(nk)mis…。可从数据扩充链中得到Ymis，当 k足够大时马氏链在（Ymis，Θ | Y(As)处收敛，并且得到邻近的、相互独立的两个借补值。
[0011] (3)当预处理服从多元正态分布的数据时，MCMC须进行以下三步： 初始值：计算已有观测数据的均值与协方差矩阵，以便估计参数的后验分布；I-步：依 据与既定Ymis分布进行伪随机抽样，从中逐次收集借补值；P-步：根据与缺失数据 借补值 Y(k+1)mis 求得 9(k+1)。
[0012] (4)多重借补的有限次借补：在理想状态下，重复借补理论认为，无限次的借补时， 该估计的均值正是对缺失数据的估计。基于论证有限次借补公式RE=1A1+λ/ m)为有限次 借补时相对效率，MI的高效估计与借补的数量、缺失数据的比率之间关系密切。优良的估 计参数还要求尽可能小的标准误估计、尽量窄的置信区间等。实践中，良好的置信区间与 假设检验均需要进行一定数量的借补，那么允许的条件下应用多重填补法处理数据时应进 行10次或者更多次的借补。
【权利要求】
1. 一种Meta分析数值缺失状态下MCMC模拟导向的基于多重填补法的缺失值处理的方 法，其特征在于，以马尔可夫蒙特卡洛(MCMC)随机模拟方法为导向，基于多重填补法的缺失 值处理，应用于任意缺失模式的Meta分析数据缺失状态下，实现将缺失值处理与常规Meta 分析中缺失数据集的一体化整合。
2. 如权利要求1所述的一种Meta分析数值缺失状态下MCMC模拟导向的基于多重填 补法的缺失值处理的方法，特征在于，在Meta分析对纳入研究的数据提取的过程中，基于 Meta分析数据缺失状态下的假设，以贝叶斯概率论为基点，以缺失值处理分析为解决策略， 以缺失的定量及等级资料为填充对象，以马尔可夫蒙特卡洛(MCMC)随机模拟方法为导向， 以多重填补作为缺失数据处理与模型的契合点，以尽可能最大程度的拟合Meta分析缺失 数据集。
【文档编号】G06F19/00GK104091094SQ201410376311
【公开日】2014年10月8日 申请日期:2014年8月3日 优先权日:2014年8月3日
【发明者】刘鸿 申请人:刘鸿, 周洁