ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Estimating the Simultaneous Association Marginal Model for Longitudinal Data with Missingness: A Simulation Study

المصدر: مجلة كلية التجارة للبحوث العلمية
الناشر: جامعة الإسكندرية - كلية التجارة
المؤلف الرئيسي: El-Zayat, Mahi Mohssen Younes Mohamed (Author)
مؤلفين آخرين: Halawa, Adel M. (Co-Author), El-Attar, Labiba (Co-Author), Hassan, Emtissal Mohamed (Co-Author)
المجلد/العدد: مج56, ع4
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2019
الشهر: اكتوبر
الصفحات: 205 - 228
DOI: 10.21608/ACJ.2019.61925
ISSN: 1110-7588
رقم MD: 1032072
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
كلمات المؤلف المفتاحية:
نماذج الإقتران A | النماذج الهامشية M | نماذج الإقتران - الهامشية الآنية AM | البيانات المفقودة MS | بيانات الترتيب | الدالة المركبة | النماذج الخطية المعممة GLM | تحليل البيانات الكاملة CC | الإحلال بالمنوال | وضع أخر مشاهدة LOCF | وضع اقرب مشاهدة مجاورة KNNI | الإحلال بمشاهدات متعددة MI | بيانات طويلة | Association Model "A" | Marginal Model "M" | Simultaneous AM Model | Missing Data "MS" | Ordinal Data | Composite Link Function | Generalized Linear Models "GLM" | CC | Mode Imputation | LOCF | KNNI | MI | Longitudinal Studies
رابط المحتوى:
صورة الغلاف QR قانون
حفظ في:
المستخلص: يعتمد النموذج الخطى في التقدير على التوزيع الطبيعي لمتغيرات الاستجابة ولكن في كثير من الأحيان قد لا يحدث ذلك كما في حالة المتغيرات ذات الفئات. فقد تم التوصل في السنوات الماضية إلى فئة النماذج الخطية المعممة (GLMS) التي قدمت العديد من النماذج الهامة التي يمكن أن تستخدم لتحليل المتغيرات ذات الفئات مثل نموذج اللوجت ونموذج اللوغاريتمي الخطي. قدم Rindskopf طريقة لتحليل المتغيرات ذات الفئات في حالة وجود بيانات مفقودة (MS) في متغير واحد أو أكثر اعتمادا على النماذج الخطية المعممة. كما قدم Lang and Eliason التفاعلات بين متغيرات الاستجابة والتوزيعات الهامشية انيا باستخدام نموذج الاقتران – الهامشي Association-Marginal)). يتكون نموذج الاقتران – الهامشي من نموذجين: نموذج الاقتران (A) لوصف التفاعل والعلاقة بين المتغيرات وله رابطة لوغاريتمية يعتمد النموذج الخطي في التقدير على التوزيع الطبيعي لمتغيرات الاستجابة. ولكن في كثير من الأحيان قد لا يحدث ذلك كما في حالة المتغيرات ذات الفئات. فقد تم التوصل في السنوات الماضية إلى فئة النماذج الخطية المعممة (GLMs) التي قدمت العديد من النماذج الهامة التي يمكن أن تستخدم لتحليل المتغيرات ذات الفئات مثل نموذج اللوجت والنموذج الهامشي (M) لوصف التوزيعات الهامشية للمتغيرات التابعة وله رابطة اللوجت. بذلك يحتوى نموذج الاقتران – الهامشي (AM) على رابطة مركبة تحتوى على الرابطة اللوغاريتمية ورابطة اللوجت. أوضح Lang and Eliason أن نموذج لاقتران – الهامشي يعتبر مناسبا في حالة جدول اقتران به العديد من الخلايا الصفرية. تعتبر البيانات المفقودة مشكلة كبرى لكثير من الباحثين ومحللي البيانات. البيانات المفقودة تؤدي إلى نقص في حجم العينة وبالتالي نقص في الكفاءة الإحصائية للنموذج. ومن هنا تتلخص مشكلة البحث في التوصل لنموذج لوصف التفاعلات بين المتغيرات التابعة والتوزيعات الهامشية انيا باستخدام نموذج الاقتران-الهامشي وذلك في ظل وجود بيانات مفقودة (AM- MS).

This paper introduces and applies a new model that describes simultaneously the association structure (A) with the marginal distributions (M) of the responses for longitudinal data in the presence of missing data (MS) through a composite link. This new model (AM-MS) is of great importance where it is applicable for large and sparse tables. In addition it can also be used for fitting log linear models to contingency tables with missing data (MS), fitting log linear models with some variables more finely categorized for some units than other units (sparse tables) and fitting models with various assumptions about the missing data mechanisms either MCAR, MAR or NMAR. A simulation study is conducted to apply this new idea, under various situations including (missing mechanisms, missing rates and five methods for handling missing data). The goodness-of-fit test statistics and the number of adjusted residuals greater than 2 are used as evaluation criteria. The results showed that after analyzing and estimating the AM model with MS for MCAR with low missing rate, the best method for handling MS to estimate the AM model is LOCF while with high missing the best method for handling MS to estimate the AM model is the mode imputation method. For MAR the best method for handling MS is MI. But for NMAR with low missing rate, the best method for handling MS is also the LOCF method while for NMAR with high missing the best method for handling MS is the mode imputation method.

ISSN: 1110-7588

عناصر مشابهة