fa مقایسه‌ی دو رهیافت برای برخورد با متغیرهای کمکی گم‌شده در رگرسیون لوژستیک عمومى General پژوهشي Research <p dir="RTL" style="margin-right:1.0cm">در طول 2۵ سال گذشته پیشرفت‌های روش‌شناسانه‌ای در زمینه‌ی تیمار داده‌های گم‌شده صورت گرفته است. بیش‌تر مطالعه‌های انتشاریافته روی داده‌های گم‌شده در متغیرهای وابسته تحت شرایط گوناگون تمرکز داشته‌اند. مطالعه‌ی حاضر در پی آن است که این خلأ را با مقایسه‌ی دو رهیافت برای برخورد با داده‌های گم‌شده در متغیرهای کمکی رسته‌ای در رگرسیون لوژستیک پر کند: روش‌ امید ریاضی- ماکسیمم‌سازی (<span dir="LTR">EM</span>) وزن‌ها و جانهی چندگانه (<span dir="LTR">MI</span>). داده‌های نمونه به‌صورت تصادفی از جامعه‌ای با مشخصه‌های معلوم انتخاب شده‌اند. داده‌های گم‌شده‌ی مربوط به متغیرهای کمکی تحت دو حالت شبیه‌سازی شده‌اند: گم‌شده‌ی کاملاً تصادفی و گم‌شده‌ی تصادفی با نرخ‌های گم‌شدگی متفاوت. یک مدل رگرسیونی لوژستیک با استفاده از یکی از دو رهیافت <span dir="LTR">EM</span> یا <span dir="LTR">MI</span> بر هر نمونه‌ برازش داده شده است. عملکرد این دو رهیافت با چهار معیار مورد مقایسه قرار گرفته است. اریبی،‌ کارایی،‌ پوشش و نرخ عدم پذیرش. نتیجه‌ها به‌طور کلی <span dir="LTR">MI</span> را بر <span dir="LTR">EM</span> ترجیح می‌دادند. مسائل عملی از جمله اجرا، گنجاندن متغیرهای کمکی پیوسته و اثر متقابل بین متغیرهای کمکی مورد بحث قرار گرفته‌اند.</p> <p>For the past 25 years, methodological advances have been made in missing data treatment. Most published work has focused on missing data in dependent variables under various conditions. The present study seeks of fill the void by comparing two approaches for handling missing data in categorical covariates in logistic regression: the expectation-maximization (EM) method of weights and multiple imputations (MI). Sample data are drawn randomly from a population with known characteristics. Missing data on covariates are simulated under two conditions: missing completely at random and missing at random with different missing rates. A logistic regression model was fit to each sample using either the EM or MI approach. The performance of these two approaches is compared on four criteria: bias, efficiency, coverage, and rejection rate. Results generally favored MI over EM. Practical issues such as implementation, inclusion of continuous covariates, and interactions between covariates are discussed. </p> رگرسیون لوژستیک, داده‌های گم‌شده, متغیرهای کمکی رسته‌ای گم‌شده, روش وزن‌ها, جانهی چندگانه, الگوریتم EM For the past 25 years, methodological advances have been made in missing data treatment. Most published work has focused on missing data in dependent variables under various conditions. The present study seeks of fill the void by comparing two approaches 109 136 http://ijoss.srtc.ac.ir/browse.php?a_code=A-10-1-46&slc_lang=fa&sid=1 Shirin Golchi شیرین گلچی 1003194753284600111 1003194753284600111 Yes Sanaz Mohandesi ساناز مهندسی 1003194753284600112 1003194753284600112 No