Iranian Journal of Official Statistics Studies
مجلهی بررسیهای آمار رسمی ایران
مجلهی بررسیها
Basic Sciences
http://ijoss.srtc.ac.ir
1
admin
2538-5798
2538-578x
8
7
14
8888
13
fa
jalali
1387
6
1
gregorian
2008
9
1
19
1
online
1
fulltext
fa
جبران دادههای گمشده در مطالعات طولی با استفاده از WinBUGS
Compensating for Missing Data from Longitudinal Studies Using WinBUGS
عمومى
General
پژوهشي
Research
<p dir="RTL"><span style="line-height: 1.6em;"> </span><strong style="line-height: 1.6em;">چکیده.</strong><span style="line-height: 1.6em;"> دادههای گمشده مشکلی رایج در پژوهشهای مبتنی بر آمارگیری است. بستههای بسیاری وجود دارند که دادههای گمشده را جبران میکنند اما تعداد کمی میتوانند بهراحتی اطلاعات طولی گمشده را جبران کنند</span><em style="line-height: 1.6em;">. </em><span dir="LTR" style="line-height: 1.6em;">WinBUGS</span><span style="line-height: 1.6em;"> دادههای گمشده را با استفاده از جانهی چندگانه جبران میکند و قادر است ساختار طولی را با استفاده از اثرات تصادفی یکپارچه کند. ما برتری جانهی طولی بر جانهی مقطعی را با استفاده از </span><span dir="LTR" style="line-height: 1.6em;">WinBUGS</span><span style="line-height: 1.6em;"> نشان میدهیم. ما از اطلاعات مثالی مربوط به مطالعهی طولی استرالیا دربارهی سلامت زنان استفاده میکنیم. همچنین نتایج نرم افزار </span><span dir="LTR" style="line-height: 1.6em;">SAS</span><span style="line-height: 1.6em;"> را ارائه میدهیم که از </span><span dir="LTR" style="line-height: 1.6em;">WinBUGS</span><span style="line-height: 1.6em;"> برای تحلیل مدلهای طولی با اطلاعات گمشدهی متغیر کمکی استفاده میکند و استفاده از آن را در مطالعهی طولی بیماران سرطانی لاعلاج و پرستاران آنها نشان میدهیم.</span></p>
<p dir="RTL" style="margin-right:1.0cm;"></p>
<div>
<p><strong style="line-height: 1.6em;">Abstract.</strong><span style="line-height: 1.6em;"> Missing data is a common problem in survey based research. There are many packages that compensate for missing data but few can easily compensate for missing longitudinal data. WinBUGS compensates for missing data using multiple imputation, and is able to incorporate longitudinal structure using random effects. We demonstrate the superiority of longitudinal imputation over cross-sectional imputation using WinBUGS. We use example data from the Australian Longitudinal Study on Woman’s Health. We give a SAS macro that uses WinBUGS to analyze longitudinal models with missing covariate data, and demonstrate its use in a longitudinal study of terminal cancer patients and their carers.</span></p>
<p></p>
</div>
<p></p>
جانهی چندگانه, دادههای طولی, دادههای گمشده, SAS,WinBUGS.
missing data, multiple imputation, longitudinal data, WinBUGS, SAS.
119
144
http://ijoss.srtc.ac.ir/browse.php?a_code=A-10-1-91&slc_lang=fa&sid=1
Leili
Tapak
لیلی
تاپاک
leylytapak81@yahoo.com
1003194753284600222
1003194753284600222
Yes
Omid
Hamidi
امید
حمیدی
1003194753284600223
1003194753284600223
No