The Generalized Estimating Equation Approach When Data are Not Missing Completely at Random
数据并非完全随机缺失时的广义估计方程方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究随时间重复测量的结局、纵向缺失数据及 GEE 估计。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
数据并非完全随机缺失时的广义估计方程方法
- 研究问题
- 纵向数据中的结局并非完全随机缺失时，如何通过插补获得有效的 GEE 估计，并与已有加权方法进行比较？
- 方法与思路
- 作者提出均值插补和多重插补，从时间上最接近已观测结局的位置开始依次插补，并比较两类插补估计量与加权方法。
- 材料陈述的贡献
- 摘要称，两种方法在随机缺失下可提供有效估计，无限次多重插补与均值插补渐近等价，并应用于卒中后纵向结局研究。
- 阅读关注点
- 应核对随机缺失与插补模型的具体条件、顺序插补所用信息、方差估计，以及死亡导致的结局缺失如何定义和处理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明全部有效性条件，不能推断方法适用于非随机缺失或所有死亡缺失问题。
原文摘要
We propose two methods for handling missing data in generalized estimating equation (GEE) analyses: mean imputation and multiple imputation. Each provides valid GEE estimates when data are missing at random. Missing outcomes are imputed sequentially starting from the outcome nearest in time to the observed outcome. The estimators from the two kinds of imputation are compared with the weighting method of Robins et al. We show that multiple imputation with an infinite number of replications is asymptotically equivalent to mean imputation. The methods are applied to a stroke study in which neurological outcomes are measured over time after stroke but some outcomes are missing due to death or loss to follow up.