简介

Longitudinal Data是临床试验中最常见的数据类型之一，即在临床试验过程中的规定的各个时间点比如说1周、2周、3周、4周等进行测量和数据的搜集。而在Longitudinal Data的分析过程中，最棘手的问题便是缺失值，特别是在一些缺失值比例较高的情况下，如我们常见的一些CNS疾病的临床试验中，据有人统计，在抗抑郁临床试验中，受试者的dropout rates平均高达37%，因此对缺失值的处理直接影响着这些临床试验统计分析的合理性。

前边小胖在缺失值系列中已经花了大篇篇幅介绍了缺失值的处理方法，其中比较常见的有LOCF，但由于其比较明显的bias，一直受到学界广泛的质疑。关于LOCF及其他相关缺失值的介绍，大家可参见以前的小胖说统计之一二六到一四六中的缺失值系列。

最近几年，一些新的Longitudinal Data分析方法开始陆续出现，特别是一些model方法的出现，比较好的解决了Longitudinal Data分析中缺失值的问题，从下篇博文开始，小胖将简单介绍一下几种常见的方法。