fa مقایسه روش بیزی (Bayesian) و کلاسیک در برآرد پارامترهای مدل رگرسیون لجستیک با وجود مقادیر گمشده در متغیرهای کمکی عمومى General پژوهشي Research <p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>زمینه و هدف: </b>رگرسیون لجستیک ابزاری تحلیلی است که بطور وسیعی در تحقیقات پزشکی و اپیدمیولوژیک کاربرد دارد. در بسیاری از مطالعات با مجموعه داده هایی مواجه می شویم که بخشی از آنها گزارش نشده اند یا به عبارت دیگر گمشده می باشند. ساده ترین روش برای تجزیه و تحلیل چنین داده هایی صرف نظر کردن از موردهای دارای مقادیر گمشده و ادامه آنالیز با داده های کامل می باشد که این روش، در عمل کارآمد نیست.<br></font></p><p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>روش کار:</b> در این مطالعه روشی برای آنالیز مدلهای رگرسیون لجستیک وقتی که مقادیر متغیر کمکی Z به طور کامل مشاهده شده و مقادیر متغیر کمکی X برای برخی از افراد تحت مطالعه گمشده باشند ارایه شده است. وقتی مقادیر X به طور تصادفی گمشده (MAR) باشند، مدل تابع درست نمایی ارایه شده برای کل داده های مشاهده شده موجود، همانند زمانی که داده ها کامل و بدون گمشدگی اند، عمل می کند.<br></font></p><p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>نتایج:</b> با بکار بردن این تابع درستنمایی، برآورد پارامترها هم به روش ماکزیمم درستنمایی و هم به روش بیزی با استفاده از تکنیک زنجیره های مارکوف مونت کارلویی (MCMC) انجام و مقادیر بدست آمده مقایسه گردیده اند. داده های این مطالعه مربوط به اطلاعات سمع ریه به دست آمده از طرح سلامت و بیماری در شهر تهران می باشد.<br></font></p><p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>نتیجه گیری:</b> برآوردهای حاصل از مدل ارایه شده در این مطالعه و آنالیز آن به روش بیزی نسبت به سایر روشهای برآورد، مقادیر نزدیکتری به برآوردهای مدل استاندارد برای داده های کامل داشتند.<br></font></p> <b>Background and Aim:</b> Logistic regression is an analytic tool widely used in medical and epidemiologic research. In many studies, we face data sets in which some of the data are not recorded. A simple way to deal with such "missing data" is to simply ignore the subjects with missing observations, and perform the analysis on cases for which complete data are available. <b><br>Materials and Methods:</b> We consider methods for analyzing logistic regression models with complete data recorded for some covariates (Z) but missing data for other covariates (X). When data on X are Missing At Random (MAR), we present a likelihood approach for the observed data that allows the analysis as if the data were complete. <b><br>Results:</b> By this approach, estimation of parameters is done using both Maximum Likelihood and Bayesian methods through the Markov Chain Monte Carlo numerical computation scheme and the results are compared. The illustrative example considered in this article involves data from lung auscultations as part of a Health Survey in Tehran. <br><b>Conclusion:</b> In comparing different methods, Bayesian estimates using the model described in this study are much closer to those generated by analysis of the full data by the standard model. رگرسیون لجستیک،گمشدن تصادفی (MAR)،ماکزیمم درستنمایی،زنجیره های مارکوف مونت کارلویی (MCMC)،روش بیزی،اختلالات تنفسی Missing At Random (MAR),Markov Chain Monte Carlo (MCMC),Bayesian Method,Respiratory Diseases 21 33 http://sjsph.tums.ac.ir/browse.php?a_code=A-10-25-205&slc_lang=fa&sid=1 M Karimlou مسعود کریملو Yes K. Mohammad کاظم محمد No M. R Meskhani محمدرضا مشکانی No G.R Jandaghi غلام رضا جندقی No K Nouri کرامت نوری اله No E Pasha عین اله پاشا No K Azam کمال اعظم No