Odnoszę się do tego artykułu: Hayes JR, Groner JI. „Korzystanie z wielu ocen imputacji i skłonności do testowania wpływu używania fotelików samochodowych i pasów bezpieczeństwa na stopień obrażeń na podstawie danych rejestru urazów”. J Pediatr Surg. 2008 maja; 43 (5): 924–7.
W tym badaniu przeprowadzono wielokrotną imputację w celu uzyskania 15 kompletnych zestawów danych. Następnie obliczono wyniki skłonności dla każdego zestawu danych. Następnie dla każdej jednostki obserwacyjnej losowo wybrano rekord z jednego z ukończonych 15 zestawów danych (w tym powiązany wynik skłonności), tworząc w ten sposób jeden końcowy zestaw danych, dla którego następnie analizowano poprzez dopasowanie wyniku skłonności.
Moje pytania brzmią: czy jest to prawidłowy sposób na wykonanie dopasowania oceny skłonności po wielokrotnym przypisaniu? Czy istnieją alternatywne sposoby na zrobienie tego?
Dla kontekstu: W moim nowym projekcie staram się porównać efekty 2 metod leczenia przy użyciu dopasowania oceny skłonności. Brakuje danych i zamierzam użyć MICE
pakietu w R, aby przypisać brakujące wartości, a następnie twang
wykonać dopasowanie oceny skłonności, a następnielme4
przeanalizować dopasowane dane.
Aktualizacja 1:
Znalazłem ten artykuł, który przyjmuje inne podejście: Mitra, Robin and Reiter, Jerome P. (2011) Dopasowywanie wyników skłonności do brakujących zmiennych towarzyszących poprzez iterowane, sekwencyjne wielokrotne przypisywanie [Dokument roboczy]
W tym artykule autorzy obliczają oceny skłonności dla wszystkich przypisanych zbiorów danych, a następnie łączą je poprzez uśrednianie, co jest w duchu wielokrotnej imputacji przy użyciu reguł Rubina dla oszacowania punktowego - ale czy to naprawdę ma zastosowanie do wyniku skłonności?
Byłoby naprawdę miło, gdyby ktokolwiek w CV mógł udzielić odpowiedzi z komentarzem na temat tych 2 różnych podejść i / lub innych…