۱۳۸۴/۹/۱۰، جلد ۱، شماره ۱، صفحات ۶۵-۷۲

عنوان فارسی تحليل درستنمايی ماکزيمم مدل رگرسيون لجستيک در حالتی که داده های متغيرهای پيشگو کامل نيستند ولی متغيرهای کمکی وجود دارند
چکیده فارسی مقاله مقدمه و هدف: داده های گمشده در بسياری از مطالعات آماری از جمله مدلهای رگرسيونی وجود دارند و باعث کاهش دقت برآورد می شوند. تا کنون روشهای گوناگونی برای مقابله با مشکل داده های گمشده ابداع شده که عموما بر داده های گمشده متغير پاسخ متمرکز بوده است حال آنکه متغيرهای پيشگو نيز می توانند دستخوش تغيير و از دست رفتن اطلاعات شوند.
مواد و روشها: در اين تحقيق ضمن بررسِی روش جانهِی داده هاِی گمشده با استفاده از الگوريتم EM و متغير کمکی, نتايج حاصل از اين روش را با روش تحليل مورد کامل در يک مدل رگرسيون لجستيک پيرامون عوامل مؤثر بر انتخاب نوع زايمان مقايسه می کنيم.
يافته ها: داده هاِی مورد استفاده در اين مقاله از يک مطالعه توصيفِی پيرامون عوامل مرتبط با انتخاب نوع زايمان در زنان مراجعه کننده به مراکز بهداشتِی و درمانِی شهر تهران بدست آمده است. حجم نمونه دراِين تحقِيق ۳۸۵ نفر بوده و از روش نمونه گِيرِی چند مرحله اِی انتخاب شدندو مشخصات فردِی، سوابق ماماِيِی، نوع نگرش و عوامل اجتماعِی نمونه ها از طرِيق پرسشنامه ثبت شدند. براِی مقايسه ميزان کارايِی دو روش، برآورد انحراف معيار پارامترها مورد استناد قرار گرفت.
 بحث و نتيجه گيری : نتايج حاصل نشان می دهد روش تحليل درستنمايی با الگوريتم EM در مقايسه با روش مورد کامل کارايی بهترِی دارد. مشکل داده هاِی گمشده در بسيارِی از مطالعات آمارِی وجود دارد و موجب اريبی و کاهش کارايی می شوند. در اين بررسِی نشان داده ايم استفاده از الگوريتم EM براِی جانهِی گمشده هادر يک مدل رگرسيون لجستيک با متغيرهاِی توضيحِی گسسته و سپس تحليل مدل، از روش مورد کامل که مستلزم حذف گمشده ها به همراه قسمتهايی از اطلاعات است کاراتر است. از سوی ديگر اگر متغير توضيحِی ناکامل پيوسته باشد بدست آوردن مدل، روشی متفاوت می طلبد و يا می توان با تبديل آن به متغيری گسسته از روش قبل استفاده کرد.

کلیدواژه‌های فارسی مقاله مدل رگرسیون لجستیک،الگوریتمEM،تحلیل مورد کامل،داده گمشده،متغیر کمکی،سزارین

عنوان انگلیسی Maximum likelihood analysis in logistic regression with missing covariate data and auxiliary information: Application to factors associated with selection of the delivery method in pregnant women
چکیده انگلیسی مقاله

Background and Objectives: Missing data exist in many studies, e.g. in regression models, and they decrease the model's efficacy. Many methods have been suggested for handling incomplete data: they have generally focused on missing outcome values. But covariate values can also be missing.
Materials and Methods: In this paper we study the missing imputation by the EM algorithm and auxiliary variable and compare the result with case-complete analysis in a logistic regression model dealing with factors that influence the choice of the delivery method.
Our data came from a cross-sectional study of factors associated with the choice of the delivery method in pregnant women. The sample size in this cross-sectional study was 365 and the data were collected through interviews, using questionnaires covering several demographic variables, delivery history, attitude, and some social factors. We used standard deviations to compare the efficiency of the two methods.
Results: The results show that maximum likelihood analysis by EM algorithm is more effective than case-complete analysis.
The problem of missing data is common in surveys and it causes bias and decreased model efficacy. Here we show that the EM algorithm for imputation in logistic regression with missing values for a discrete covariate is more effective than case-complete analysis.
Conclusion: On the other hand if missing values occur for a continuous covariate then we have to use other methods or change the variable into a discrete one.

کلیدواژه‌های انگلیسی مقاله Logistic regression model,EM algorithm,Case-complete analysis,Missing data,Auxiliary variable,Cesarean

نویسندگان مقاله 8106---8107---8108---8109---

نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-25-206&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده General
نوع مقاله منتشر شده Research
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات