fa کاربرد روش بیزی در برآورد پارامترهای مدل رگرسیون لوجستیک با مقادیر گمشده تصادفی در متغیر کمکی علوم پایه Basic Sciences مقاله پژوهشی Orginal Research <p>چکیده زمینه و هدف: 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. مواد و روش کار: ساتن و کارول تابع درستنمایی ویژه ای را برای برآورد پارامترهای مدل رگرسیون لوجستیک وقتی که برخی متغیرهای کمکی با مقادیر گمشده از نوع مکانیسم گمشدگی تصادفی(MAR) باشند و سایر متغیرها به طور کامل مشاهده شده 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. یافته ها: روش های مذکور را بر روی داده های شبیه سازی شده و داده های دندانپزشکی اجرا کرده و نتایج مقایسه ها نشان داد که برآوردهای به دست آمده از روش بیزی دارای انحراف معیارکوچکتری نسبت به دو روش دیگر می باشند. نتیجه گیری: پس از مقایسه نتایج حاصل از سه روش مذکور نتیجه گرفته شد که اگر مکانیسم گمشدگی تصادفی باشد، به کارگیری تحلیل بیزی با تکنیک زنجیرهای مارکوف مونت کارلویی (MCMC) منجر به برآوردهای دقیق و فاصله اطمینان کوتاه تری نسبت به روش جانهی چند گانه و روش واحد کامل می شود.</p> <p>Abstract Background & Objectives: Logistic Regression is a general model for medical and epidemiological data analysis. Recently few researchers have directed their studies to analysis of Logistic Regression with missing value at covariate variable. While the missing is a major threat in results authenticity of data set, in many studies the researchers face data with missing value and it is difficult to avoid such a case in studies. Material & Methods: Satten and Carroll, in the case of completely observed value of covariate variable and some covariate variable with missing at random mechanism (MAR), introduced a special likelihood function for parameters estimation of Logistic Regression model. In this research the above- mentioned likelihood function has been used in Bayesian analysis for parameters estimation of Logistic Regression model and the conclusions are compared with the Multiple Imputation method and Complete Case method. Results: The above-mentioned methods were applied on both simulation data and dentistry data and concluded that The parameters estimation from SCMCMC method had less variance in comparison with parameters estimation from Multiple Imputation and Complete Case methods. Conclusion: After comparison of the three mentioned methods results it had been concluded that if the mechanism is of missing at random the application of Bayesian analysis with MCMC causes to more accurate estimation and shorter Confidence Intervals than the Multiple Imputation method and Complete Case.</p> واژه های کلیدی: رگرسیون لوجستیک, گمشدگی تصادفی (MAR), تحلیل بیزی, زنجیرهای مارکوف مونت کارلویی (MCMC), جانهی چندگانه, DMFT Key words: Logistic Regression, Missing at Random (MAR), Bayesian Analysis, Markov Chain Monte Carlo, Multiple Imputation, DMFT. 127 138 http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-235&slc_lang=fa&sid=1 E Kazemi الهه کاظمی 10031947532846007260 10031947532846007260 No دانشگاه علوم بهزیستی و توانبخشی، تهران، ایران M Karimlo مسعود کریملو 10031947532846007261 10031947532846007261 Yes ، دانشگاه علوم بهزیستی و توانبخشی، تهران، ایران M Rahgozar مهدی رهگذر 10031947532846007262 10031947532846007262 No ، دانشگاه علوم بهزیستی و توانبخشی، تهران، ایران E Bakhshi عنایت الله بخشی 10031947532846007263 10031947532846007263 No دانشگاه علوم بهزیستی و توانبخشی، تهران، ایران E Asgari ایمانه عسگری 10031947532846007264 10031947532846007264 No دانشکده دندانپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران