MISSING DATA IN LONGITUDINAL STUDIES OF AGING: THE GOOD, THE BAD, AND THE UGLY
Notice bibliographique
Résumé
In longitudinal studies of aging, missing data are inevitable. In the literature on the association between grip strength and survival time in older persons, the methods used to deal with missing values are generally not even mentioned. The default in standard statistical software is listwise deletion - removing all observations with any missing data. Missing data have been classified into three types: missing completely at random (the good), missing at random (the bad) and missing not at random (the ugly). Depending on the type of missing data, listwise deletion may produce biased results.The objectives of this presentation are: 1) To identify different types of missing data that may arise within a longitudinal study of aging and 2) To assess the estimates of the association between grip strength and mortality that result from applying different methods for handling missing data.Using data from the Cardiovascular Health Study, a longitudinal study of 5,201 older persons, we: 1) examined the types of missing data; 2) investigated the association between grip strength and survival time, applying three common methods of handling missing data: listwise deletion, last value carried forward (LOCF), and multiple imputation (MI). We identified all three types of missing data in the CHS. Compared to the method of listwise deletion, estimates of the association between grip strength and survival were weaker when applying LOCF, and stronger with MI. Methods of handling missing data in longitudinal studies of aging should be considered carefully in order to limit the potential for biased results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,286 | 0,510 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,007 | 0,014 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».