دانلود مقاله ISI انگلیسی شماره 155342
ترجمه فارسی عنوان مقاله

محاسبه چندگانه به عنوان یک ابزار انعطاف پذیر برای دستکاری داده ها در تحقیقات بالینی

عنوان انگلیسی
Multiple imputation as a flexible tool for missing data handling in clinical research
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
155342 2017 61 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Behaviour Research and Therapy, Volume 98, November 2017, Pages 4-18

ترجمه کلمات کلیدی
داده های گم شده، محاسبه چندگانه، تبخیر، برآورد حداکثر احتمال،
کلمات کلیدی انگلیسی
Missing data; Multiple imputation; Attrition; Maximum likelihood estimation;
ترجمه چکیده
در 20 سال گذشته، تحقیقات درمورد مشکلات مربوط به داده ها از بین رفته است و اکثر برنامه های کاربردی در حال حاضر یک یا چند رویکرد دستکاری داده کاست پیچیده را اجرا می کنند (مثلا چندین معادله یا برآورد حداکثر احتمال). علیرغم ویژگیهای آماری فوقالعاده آن (به عنوان مثال فرضهای کمتر سختگیرانه، دقت بیشتر و قدرت)، پذیرش این رویکردهای تحلیلی مدرن در رشته روانشناسی و رشتههای مرتبط با آن یکسان نیست. بنابراین، هدف اصلی این دستنوشته، توصیف و نشان دادن کاربرد تقلب چندگانه است. اگر چه برآورد حداکثر احتمال، شاید ساده ترین روش برای استفاده در عمل، مجموعه داده های روان شناختی اغلب دارای پیچیدگی هایی است که در حال حاضر مشکل در رسیدگی مناسب در چارچوب احتمال (مثلا مخلوط متغیرهای قطعی و پیوسته)، اما نسبتا ساده برای درمان با محاسبه. این مقاله تعدادی از مسائل عملی را مطرح می کند که محققان بالینی احتمالا با استفاده از تقلب چندگانه مواجه می شوند، از جمله مخلوط متغیرهای دسته ای و پیوسته، داده های دست نیافتنی در سطح آیتم در پرسشنامه، آزمون اهمیت، اثرات متقابل و اطلاعات چند سطحی از دست رفته. مثال های تجزیه و تحلیل نشان می دهد تقلبی با بسته های نرم افزاری است که به صورت رایگان در اینترنت می باشد.
پیش نمایش مقاله
پیش نمایش مقاله  محاسبه چندگانه به عنوان یک ابزار انعطاف پذیر برای دستکاری داده ها در تحقیقات بالینی

چکیده انگلیسی

The last 20 years has seen an uptick in research on missing data problems, and most software applications now implement one or more sophisticated missing data handling routines (e.g., multiple imputation or maximum likelihood estimation). Despite their superior statistical properties (e.g., less stringent assumptions, greater accuracy and power), the adoption of these modern analytic approaches is not uniform in psychology and related disciplines. Thus, the primary goal of this manuscript is to describe and illustrate the application of multiple imputation. Although maximum likelihood estimation is perhaps the easiest method to use in practice, psychological data sets often feature complexities that are currently difficult to handle appropriately in the likelihood framework (e.g., mixtures of categorical and continuous variables), but relatively simple to treat with imputation. The paper describes a number of practical issues that clinical researchers are likely to encounter when applying multiple imputation, including mixtures of categorical and continuous variables, item-level missing data in questionnaires, significance testing, interaction effects, and multilevel missing data. Analysis examples illustrate imputation with software packages that are freely available on the internet.