Traitement des données manquantes dans les essais cliniques
Objectifs
Différencier les trois mécanismes de données manquantes et décrire leur incidence sur les résultats d’une étude.
Décrire les principales techniques statistiques pour traiter les données manquantes dans les ensembles de données épidémiologiques et cliniques.
Identifier les forces et les limites des méthodes les plus fréquemment utilisées pour traiter les données manquantes dans diverses situations de données manquantes.
Traiter les données manquantes dans une base de données.
Appliquer et interpréter une méthode d’imputation multiple à l’aide de R.
Plan
Typologie des données manquantes : MCAR, MAR and MNAR
Utilisation de DAG pour comprendre les données manquantes
Méthodes Ad-hoc: Analyse des cas complet (CCA) / LOCF / Imputation simple
Hypothèse MAR: Approches par maximum de vraisemblance
Inverse Probability Weighting (IPW)
Imputation multiple: loi re Rubin, equation chainée, algorithmes MCMC
Modèles de données manquantes non monotones: algorithmes MCMC
Hypothèse MNAR : Selection de modèle et Pattern-Mixture-Models (PMM)
Analyse de sensibilité sous l’hyppthèse MNAR
Prérequis
Chaîne de Markov, Calcul Bayésien, Méthodes de rééchantillonnage (2A)
Modèles mixtes (3A)