缺失值（十）

 

上文中小胖简单介绍了LOCF的定义，LOCF作为现在应用广泛的一种缺失值处理方法，特别是在一些评价change from baseline的试验中，它用采用缺失值之前最近一次的观察数据来代替缺失值，从而创造了一个完整的数据集用于ITT分析。这种方法简单、容易理解，并为大家所熟悉。但LOCF的应用其实是建立在两个限定的假设基础上的：

 

（1）所有缺失的数据都是MCAR的

（2）病人最后一次观察值到试验结束时的终点值是保持不变的

 

对于第一点，毫无疑问，现实中是很难做到的，缺失的原因有很多，而大部分不是MCAR的；而对于第二点呢？我们来细细看一下：

 

从LOCF的定义可以看出如果使用LOCF那么从病人脱落那刻开始后所有访视的值都是固定的都等于最后一次访视值，即LOCF的一个假设就是All unseen measurements = last seen measurement。那么事实是这样的吗？当然不是！事实上很多疾病的病情是随着时间而变化的，而并不是一成不变的。而这种病情变化其实也是不同的，结果自然也会不同。

 

比如说在一些疾病中，患者的病情会随时间的变化而恶化，那么利用LOCF分析则高估了治疗的效果，这一点很好理解，如果某个病人不脱落的话，他后边的访视的疗效会越来越差，而这个病人现在脱落了，你用最后一次的疗效值来代替后边的访视的疗效，这时自然这个疗效值高估了后边访视实际的疗效值。更糟的情况是，如果试验组的病人更多地脱落或更早的脱落，就可能更加高估试验组的疗效，从而得出有利于试验组的错误结果。

 

而在另一些疾病中，患者的病情会随着时间的变化而好转，那么利用LOCF分析则可能会低估治疗的效果，这一点也很好理解，如果某个病人不脱落的话，他后边的访视的疗效会越来越好，而这个病人现在脱落了，你用最后一次的疗效值来代替后边的访视的疗效，这时自然这个疗效值低估了后边访视实际的疗效值。

 

从以上的论述，我们可以看出LOCF的两个假设在临床试验实际中是很难达到的，由此而带来的后果便是偏倚，那么LOCF到底会带来什么不良后果呢？下篇博文，小胖将简单介绍一下LOCF的几宗罪。