Key points are not available for this paper at this time.
الملخص يتم استخدام تقدير الاحتمالية القصوى المستهدفة (TMLE) بشكل متزايد للاستدلال السببي الثنائي الروبوت، ولكن كيفية التعامل مع البيانات المفقودة عند استخدام TMLE مع طرق تعتمد على البيانات غير واضحة. استنادًا إلى بيانات (1992-1998) من دراسة مجموعة صحة المراهقين الفيكتورية، أجرينا دراسة محاكاة لتقييم 8 طرق للبيانات المفقودة في هذا السياق: تحليل الحالات الكاملة، TMLE الموسع الذي يتضمن نموذج فقدان النتيجة، طريقة مؤشر فقدان المتغيرات المفقودة، و 5 طرق للتخمين المتعدد (MI) باستخدام نماذج بارامترية أو نماذج تعلم الآلة. اعتبرنا 6 سيناريوهات تختلف في نماذج توليد التعرض/النتيجة (وجود تفاعلات بين العوامل المربكة) وآليات الفقدان (ما إذا كانت النتيجة تؤثر على الفقدان في متغيرات أخرى ووجود تفاعلات/عوامل غير خطية في نماذج الفقدان). كان تحليل الحالات الكاملة وTMLE الموسع لهما انحيازات صغيرة عندما لم تؤثر النتيجة على الفقدان في المتغيرات الأخرى. كان لتقنية MI البارامترية دون تفاعلات انحياز كبير عندما تضمنت نماذج توليد التعرض/النتيجة تفاعلات. كانت تقنية MI البارامترية التي تضمنت تفاعلات هي الأفضل من حيث تقليل الانحياز والتباين عبر جميع الإعدادات، باستثناء عندما كانت نماذج الفقدان تتضمن عاملاً غير خطي. عند اختيار طريقة للتعامل مع البيانات المفقودة في سياق TMLE، يجب على الباحثين أخذ آلية الفقدان في الاعتبار، وبالنسبة لـ MI، التوافق مع طريقة التحليل. في العديد من الإعدادات، يُتوقع أن تؤدي طريقة MI البارامترية التي تدمج التفاعلات وغير الخطيات بشكل جيد.
درس داشتي وآخرون (الخميس) هذا السؤال.