AI Summary & Key Takeaways
AI InsightConclusion: When researchers encounter missingness in data collected with the HAQ-DI, the response function imputation could be a convenient approach to impute missing values in order to improve the precision of the patient disability level estimates.
📌 3 Key Takeaways
Abstract
Objectives: This study aims to investigate how imputing missing values in data obtained from the Health Assessment Questionnaire Disability Index (HAQ-DI) influences the bias and precision of patient disability measurements. Patients and methods: Hypothetical missing data sets were created by deleting item responses completely at random from the original data set with three missingness proportions (0.10, 0.30 and 0.50). Multiple imputation was carried out using the response function method for each hypothetical data set containing the missing values. The Rasch model was used to estimate the patients' latent trait levels for the original data, the hypothetical incomplete data sets, and the multiple imputed data sets. Then the estimates from the hypothetical missing data sets and the multiple imputed data sets were compared with those of the original data set. Results: A bias in disability estimates was observed, particularly as the missingness proportion increased for both the incomplete and imputed data; however, this bias was indiscernible even for the 0.50 proportion of missingness. In terms of the uncertainty of the disability estimates, the imputed data had a higher precision of estimates than the incomplete data. Conclusion: When researchers encounter missingness in data collected with the HAQ-DI, the response function imputation could be a convenient approach to impute missing values in order to improve the precision of the patient disability level estimates.
Özet
Amaç: Bu çalışmada, Sağlık Değerlendirme Anketi Özürlülük İndeksi'nden (HAQ-DI) elde edilen verideki eksik değerler yerine değer atamanın hasta özürlülük ölçümlerinin yanlılık ve duyarlılığını nasıl etkilediği araştırıldı.Hastalar ve yöntemler: Hipotetik eksik veri setleri oluşturmak için orijinal veri setindeki madde yanıtları tamamen rastgele eksik olmak üzere, üç farklı oranda (0.10, 0.30 ve 0.50) silindi. Eksik veri içeren her hipotetik veri seti için yanıt fonksiyonu yöntemi ile çoklu değer ataması yapıldı. Tam veri, hipotetik olarak oluşturulmuş eksik veri setleri ve değer ataması yapılmış veri setleri için Rasch modeli kullanılarak, hasta özürlülük düzeyleri kestirildi. Eksik veri setleri ve değer ataması yapılmış veri setlerinden bulunan kestirimler tam veriden bulunanlar ile kıyaslandı.Bulgular: Hem eksik veri durumdan hem de değer ataması yapılmış durumdan bulunan özürlülük düzeyi kestirimlerinde, özellikle eksik veri oranı arttıkça, bir miktar yanlılık gözlenmiş olsa da, bu yanlılık eksik veri oranı 0.50 olduğunda dahi kabul edilebilir düzeyde idi. Değer ataması yapılmış veriden bulunan kestirimlerin duyarlılığı, eksik değer içeren veriden bulunanlara göre daha yüksek bulundu.Sonuç: Sağlık Değerlendirme Anketi Özürlülük İndeksi ile toplanan veride eksik madde yanıtları bulunduğunda, bu eksikler yerine yanıt fonksiyonu ile değer atama yapılması, hastaların özürlülük düzeyi kestirimlerinin duyarlılığının artırılması için önerilebilir.