基于条件中位数的贝叶斯生长曲线建模在缺失数据中的比较评估

纵向研究常面临缺失数据和非正态分布的挑战。来自未知机构的研究人员针对FIML和TSRE方法在数据偏态、高缺失率和非随机缺失中的局限性，创新性地评估了基于中位数的贝叶斯(RMB)生长曲线建模方法。蒙特卡洛模拟表明，RMB GCM能有效处理各种分布下的随机/非随机缺失数据，为纵向分析提供了新思路。

　　

在生命科学领域，追踪个体变化(within-subject change)和群体差异(between-subject differences)的纵向数据(longitudinal data)分析常遭遇两大难题：数据缺失和分布异常。传统方法如全信息最大似然估计(FIML)和两阶段稳健估计(TSRE)在面对偏态分布(skewness)、高缺失率(high missingness rate)以及非随机缺失(nonignorable missingness)时往往力不从心。

近期提出的基于中位数的贝叶斯稳健方法(RMB)为生长曲线建模(GCM)带来了新曙光。研究者们通过精心设计的蒙特卡洛模拟(Monte Carlo simulations)，让RMB与FIML、TSRE在数据竞技场上一决高下。结果显示，无论是随机缺失(ignorable missingness)还是非随机缺失(nonignorable missingness)，RMB GCM在各种数据分布场景下都展现出令人惊喜的稳健性。实证案例更是生动演绎了这些方法在实际科研中的应用价值，为处理"脏数据"提供了新的方法论武器。