کاربرد روش بیزی در برآورد پارامترهای مدل رگرسیون لوجستیک با مقادیر گمشده تصادفی (mar) در متغیر کمکی

رگرسیون لوجستیک مدلی عمومی برای تحلیل داده های پزشکی و اپیدمیولوژیکی می باشد و اخیراً محققین معدودی تحقیقات خود را به تحلیل مدل های رگرسیون لوجستیک با وجود مقادیر گمشده در متغیرهای کمکی معطوف داشته اند. در بسیاری از پژوهش ها محققین با مجموعه داده هایی مواجه هستند که دارای مقادیر گمشده است. گمشدگی تهدید عمده ای برای درستی نتایج حاصل از مجموعه داده ها محسوب می شوند و اجتناب از آن بسیار مشکل است. تمامی روش های برآورد پارامترها بر پایه فرض کامل بودن مجموعه داده ها استوار است و تحت برقراری این شرایط منجر به برآوردهایی نا اریب می شوند. در مطالعات انجام شده ثابت شده است که در صورت وجود مقادیر گمشده تصادفی در مجموعه داده ها برآوردهای حاصل، دیگر نااریب نخواهند بود و با افزایش نسبت گمشدگی ، مقدار اریبی نیز افزایش خواهد یافت. ساتن و کارول تابع درستنمایی ویژه ای را برای برآورد پارامترهای مدل رگرسیون لوجستیک وقتی که مقادیر کمکی z به طور کامل مشاهده شده و مقادیر متغیر کمکی x دارای مقادیر گمشده از نوع مکانیسم گمشدگی تصادفی (mar) باشند، معرفی کرده اند. در این پژوهش از این تابع درستنمایی در تحلیل بیزی برای برآورد پارامترهای مدل رگرسیون لوجستیک استفاده شده است و نتایج به دست آمده با روش های جانهی چندگانه و واحد کامل مقایسه شده است. روش های مذکور را بر روی داده های شبیه سازی شده و داده های دندانپزشکی اجرا کرده و پس از مقایسه نتایج حاصل از سه روش مذکور نتیجه گرفته شد که اگر مکانیسم گمشدگی تصادفی باشد، به کارگیری تحلیل بیزی با تکنیک mcmc منجر به برآوردهای دقیق تری نسبت به روش جانهی چند گانه و روش واحد کامل می شود.