热度 107|
MMRM (五)
MMRM的出现在很大程度上是对我们传统的LOCF分析的挑战,而我们下边通过一个简单的例子来看一下两种方法的不同特别是在处理缺失值方面的不同。
Patient |
Treatment |
Visit1 (Baseline) |
Visit2 |
Visit3 |
Visit4 |
Visit5 |
Visit6 |
001 |
A |
22 |
18 |
16 |
14 |
12 |
10 |
002 |
A |
24 |
19 |
14 |
12 |
10 |
8 |
003 |
B |
22 |
20 |
19 |
18 |
- |
- |
004 |
A |
21 |
16 |
13 |
10 |
9 |
8 |
005 |
B |
24 |
20 |
18 |
15 |
10 |
8 |
006 |
A |
20 |
17 |
12 |
10 |
- |
- |
LOCF后:
Patient |
Treatment |
Visit1 (Baseline) |
Visit2 |
Visit3 |
Visit4 |
Visit5 |
Visit6 |
LOCF (change from baseline) |
001 |
A |
22 |
18 |
16 |
14 |
12 |
10 |
-12 |
002 |
A |
24 |
19 |
14 |
12 |
10 |
8 |
-16 |
003 |
B |
22 |
20 |
19 |
18 |
18 |
18 |
-4 |
004 |
A |
21 |
16 |
13 |
10 |
9 |
8 |
-13 |
005 |
B |
24 |
20 |
18 |
15 |
10 |
8 |
-16 |
006 |
A |
20 |
17 |
12 |
10 |
10 |
10 |
-10 |
而采用MMRM, 我们不会对数据进行结转,但对于003来说,大家可以看到其下降速度明显低于001和002,那么MMRM就根据这个比较慢的下降速度对visit5-6进行模型处理,而不是直接都让他都等于访视4的值。
下边我们通过另一个图表的例子来看一下LOCF和MMRM方法的不同
从上图中,我们可以看出,对于patient 2来说,在访视3后就开始缺失了,LOCF对其处理是访视4,访视5与访视3值相同,表现在曲线上就是从访视3开始是一条直线;而MMRM是根据其变化趋势,模型处理后在绿色虚拟部分,大家可以看到是向下的。
从以上的例子我们可以看出,LOCF通过结转用最后一次访视值来代替其后的访视值,忽略了其潜在的访视值的变化趋势,而MMRM则从一定程度上考虑到了访视值的变化趋势,从这个意义上来说,MMRM的估计显得更为合理。
手机版|会员|至尊|接种|公卫人 ( 沪ICP备06060850号-3 )
GMT+8, 2024-5-16 02:29 , Processed in 0.033721 second(s), 6 queries , Gzip On, MemCached On.
Powered by Discuz! X3.4
© 2001-2023 Discuz! Team.