Автори: А.-Н. Фаталієва, асп., ORCID ID: 0000-0001-5541-8509,
Д. Шамайда, асп., ORCID ID: 0000-0001-6080-2425
Київський національний університет імені Тараса Шевченка, Київ, Україна
Aнотація: У наш час соціальна економіка зосереджена на багатьох критичних питаннях, серед яких охорона здоров’я та захворюваність є одними з найпріоритетніших, оскільки вони безпосередньо впливають на формування людського капіталу, який є важливим складником
розвитку економіки. Пропущені дані є актуальною проблемою багатьох соціальних досліджень, що вносить елементи упередженості та робить висновки сумнівними. Існують різні підходи до опрацювання пропущених даних, найпотужнішим серед яких є метод множинної імпутації. У
цьому документі представлено огляд двох підходів до аналізу пропущених даних, які стають популярними в останні роки, – моделі, що
враховують механізм вибування, і метод переломної точки. Усі розрахунки проводились у пакеті статистичних програм SAS 9.4.
Ключові слова: громадське здоров’я; захворюваність; людський капітал; пропущені дані; множинна імпутація.
Received: 05/09/2022
1st Revision: 13/09/2022
Accepted: 04/10/2022
DOI: https://doi.org/10.17721/1728-2667.2022/220-3/5
Список використаних джерел
1. Kovtun N. V., Fataliieva A.-N. Y. New trends in evidence-based statistics: data imputation problems. Statistics of Ukraine. 2019. № 87(4).
P. 4–13.
2. Mishchuk O. S., Tkachenko R. O. Methods of processing and filling of missing parameters in ecological monitoring data. Scientific Bulletin of
UNFU. 2019. № 29(6). P. 119–122.
3. Ratitch B., O’Kelly M.. Implementation of Pattern-Mixture Models Using Standard SAS/STAT Procedures. Proceedings of PharmaSUG. 2011.
URL: https://www.pharmasug.org/proceedings/2011/SP/PharmaSUG-2011-SP04.pdf
4. Yuan Y. Sensitivity Analysis in Multiple Imputation for Missing Data. Paper SAS Institute Inc. 2014.
5. Smuk M. Missing Data Methodology: Sensitivity analysis after multiple imputation. PhD thesis, London School of Hygiene & Tropical
Medicine. 2015.
6. Little R. J. A. Pattern-Mixture Models for Multivariate Incomplete Data. Journal of the American Statistical Association. 1993. № 88. P. 125–134.
7. Ratitch B., O’Kelly M., Tosiello R. Missing data in clinical trials: from clinical assumptions to statistical analysis using pattern mixture models. Pharmaceutical Statistics. 2013. Vol. 12, Is. 6. P. 337–347.
8. Tipping point analysis – multiple imputation for stress test under missing not at random (MNAR). URL: https://onbiostatistics.blogspot.com/
2015/08/tipping-point-analysis-multiple.html
9. Rubin D. B. Multiple imputation for nonresponse in surveys. New York : John Wiley & Sons, Inc., 1987.
10. Little R., Yau L. Intent-to-treat analysis for longitudinal studies with drop-outs. Biometrics. 1996. Vol. 52. P.1324–1333.
11. Brand J. P. L. Development, implementation, and evaluation of multiple imputation strategies for the statistical analysis of incomplete data
sets. Ph.D. thesis, Erasmus University, 1999. URL: https://core.ac.uk/download/pdf/18508128.pdf
12. Berglund P. and Heeringa S. Multiple imputation of missing data using SAS, Cary. NC : SAS Institute Inc., 2014. URL: https://support.sas.com/
content/dam/SAS/support/en/books/multiple-imputation-of-missing-data-usingsas/65370_excerpt.pdf
13. Kenward M. G. The handling of missing data in clinical trials. Clin. Investig. (Lond.). 2013. № 3. P. 241–250. URL: https://www.openaccessjournals.com/articles/the-handling-of-missing-data-in-clinical-trials.pdf
14. Molenberghs G., Kenward M. G. Missing data in clinical studies. New York : John Wiley & Sons, 2007. URL: https://download.ebookshelf.de/download/0000/5740/97/L-G-0000574097-0002359047.pdf
15. Molenberghs G. Incomplete data in clinical studies: analysis, sensitivity, and sensitivity analysis. Drug information journal. 2009. № 43(4).
P. 409–429.
16. Carpenter J. R., Kenward M. G. Multiple Imputation and Its Application. New York : John Wiley & Sons, 2013.
17. Van Buuren S. Flexible Imputation of Missing Data. Boca Raton, FL : Chapman & Hall/CRC, 2012.