趙俊康 王 彤 榮惠英 孟繁龍

弱勢(shì)人群的醫(yī)療救助問(wèn)題一直以來(lái)備受世界各國(guó)政府關(guān)注[1]。這部分弱勢(shì)人群的特點(diǎn)是收入偏低，極易陷入因貧致病和因病致貧的惡性循環(huán)中。根據(jù)第四次國(guó)家衛(wèi)生服務(wù)調(diào)查結(jié)果[2]，我國(guó)約有38%的居民生病不去看醫(yī)生，經(jīng)醫(yī)生診斷該住院治療而未住院的達(dá)21%，其中70.3%的人未住院的主要原因仍然是“經(jīng)濟(jì)困難”。這些潛在患者不選擇就醫(yī)使得從醫(yī)院收集數(shù)據(jù)仍然很難估計(jì)出這部分非從業(yè)人群的全部醫(yī)療費(fèi)用需求。低收入非從業(yè)人群更可能由于貧困等原因得到高于普通人群的致病機(jī)會(huì)，因此若用一個(gè)總的平均水平來(lái)估計(jì)弱勢(shì)人群醫(yī)療費(fèi)用的實(shí)際需求將明顯低估這種需求。

這種由于個(gè)體自我行為(因經(jīng)濟(jì)困難自主選擇不就醫(yī))所導(dǎo)致的樣本選擇偏倚，單靠好的抽樣設(shè)計(jì)是無(wú)法消除的。需要注意的是患病但自我選擇未就醫(yī)者應(yīng)答表現(xiàn)出的0消費(fèi)與真正未患病而不就醫(yī)者的消費(fèi)真值是不同的，即自我選擇未就醫(yī)者的醫(yī)療消費(fèi)真值未知，應(yīng)視為缺失數(shù)據(jù)[3]。將這類(lèi)真值未知的0消費(fèi)數(shù)據(jù)刪除或者直接取因變量為0來(lái)應(yīng)用多元線(xiàn)性回歸等常規(guī)的統(tǒng)計(jì)學(xué)分析方法就忽視了這種無(wú)應(yīng)答偏倚；同時(shí)，像這類(lèi)較大規(guī)模的社會(huì)學(xué)或流行病學(xué)調(diào)查中無(wú)應(yīng)答偏倚也是常態(tài)而不是偶然[4]，故而針對(duì)不同缺失機(jī)制下的無(wú)應(yīng)答偏倚探討其校正方法成為國(guó)內(nèi)外學(xué)者長(zhǎng)期以來(lái)關(guān)注的問(wèn)題。

Rubin等人于1976年提出的缺失機(jī)制主要包括完全隨機(jī)缺失MCAR(missing completely at random)、隨機(jī)缺失MAR (missing at random)和非隨機(jī)缺失NMAR(not missing at random)三類(lèi)[5]。在MCAR假定下，對(duì)完全觀測(cè)個(gè)體使用的任何分析方法仍然有效；在MAR假定下,主流觀點(diǎn)是采用多重填補(bǔ)MI(multiple imputation)對(duì)隨機(jī)缺失進(jìn)行填補(bǔ)繼而得出無(wú)偏估計(jì)[6]；而對(duì)于由于自主選擇不就醫(yī)而導(dǎo)致的NMAR，本研究選用適合于該類(lèi)型數(shù)據(jù)的受限因變量(limited dependent variable)統(tǒng)計(jì)模型來(lái)進(jìn)行校正[7-9]。

隨機(jī)缺失機(jī)制下的多重填補(bǔ)方法

1.多重填補(bǔ)的具體步驟

多重填補(bǔ)(MI)主要由三個(gè)獨(dú)立的步驟組成：填補(bǔ)階段、分析階段和合并階段。MI其實(shí)是包含了一組方法的一個(gè)廣義的術(shù)語(yǔ)，在其框架內(nèi)的所有的方法中都含有這三步過(guò)程。圖1描述了整個(gè)過(guò)程。

填補(bǔ)階段 分析階段 合并階段

圖1 MI的三個(gè)步驟

(1)填補(bǔ)階段為每個(gè)缺失值抽取m個(gè)估計(jì)值進(jìn)行填補(bǔ)，從而構(gòu)成m個(gè)完整數(shù)據(jù)集，這m個(gè)數(shù)據(jù)集中只有觀測(cè)數(shù)據(jù)是相同的，填補(bǔ)值一般不等。(2)分析階段：分析步的主要分析對(duì)象就是填補(bǔ)好的數(shù)據(jù)集，這一步將應(yīng)用數(shù)據(jù)原本完整時(shí)所用到的相同的方法來(lái)分析。唯一的區(qū)別在于要對(duì)每個(gè)完整數(shù)據(jù)集分別使用該方法處理，因此將分析m次。對(duì)于本研究中包含自主選擇性缺失的醫(yī)療費(fèi)用數(shù)據(jù)，這一步可使用填補(bǔ)后的多個(gè)數(shù)據(jù)集與選擇性偏倚導(dǎo)致的因變量為虛假0(視為缺失)的數(shù)據(jù)合并進(jìn)行樣本選擇模型分析以解決選擇性偏倚導(dǎo)致的那部分缺失，繼而得出m個(gè)樣本選擇模型擬合結(jié)果。(3)合并階段：綜合這m個(gè)擬合結(jié)果，根據(jù)Rubin(1987)提出的針對(duì)參數(shù)估計(jì)值與標(biāo)準(zhǔn)誤的合并準(zhǔn)則[10]，最終得到對(duì)目標(biāo)變量的統(tǒng)計(jì)推斷。

2.填補(bǔ)模型

(1)預(yù)測(cè)均數(shù)匹配法(PMM)

預(yù)測(cè)均數(shù)匹配法(PMM)是處理單調(diào)缺失模式中定量變量缺失的多重填補(bǔ)方法之一，PMM法的具體填補(bǔ)步驟如下：

令Yj為有缺失值的定量變量，用Yj及其協(xié)變量X1,X2,…,Xk均被觀測(cè)到的個(gè)體觀察值建立回歸模型：

Yj=β0+β1X1+β2X2+…+βkXk

(1)

每次填補(bǔ)產(chǎn)生填補(bǔ)值的步驟如下：

(2)

其中nj是變量Yj未缺失的觀測(cè)個(gè)體數(shù)。

然后，從標(biāo)準(zhǔn)正態(tài)分布N(0,1)中抽取k+1個(gè)獨(dú)立的變量，組成一個(gè)有k+1個(gè)元素的向量Z，得到新的回歸系數(shù)：

(3)

②對(duì)于每個(gè)缺失值，其預(yù)測(cè)值為

(4)

④最后從這k0個(gè)觀測(cè)值中隨機(jī)抽取一個(gè)值填補(bǔ)缺失值。

(2) 傾向性得分法

傾向性得分(PS)是指對(duì)給定的觀察到的協(xié)變量條件下，每個(gè)觀察值被分配到某特定處理組的條件概率。PS法的具體填補(bǔ)步驟如下：

①產(chǎn)生一個(gè)指示變量Rj，當(dāng)Rj為0時(shí)，表示變量Yj中有缺失值的個(gè)體；當(dāng)Rj為1時(shí)，則表示變量Yj中被觀測(cè)到的個(gè)體。

②擬合logistic回歸模型

logit(pj)=β0+β1X1+β2X2+…+βkXk

(5)

其中X1,X2,…,Xk是Yj的協(xié)變量，

pj=Pr(Rj=0|X1,X2,…,Xk)

logit(pi)=log(pi/(1-pi))

③根據(jù)模型計(jì)算變量Yj上每個(gè)個(gè)體數(shù)據(jù)缺失的傾向性得分logit(pj)，并根據(jù)該得分將所有的觀測(cè)分組，一般為5組，如果觀測(cè)數(shù)量較多，可分為更多的組。

⑤重復(fù)以上步驟，直到每一個(gè)缺失變量都得到填補(bǔ)。

(3)基于Bootstrap的EM算法

基于Bootstrap的EM算法(EMB)是通過(guò)bootstrap算法從參數(shù)的后驗(yàn)密度中抽取新的參數(shù)，從而代替其他方法中復(fù)雜的抽取過(guò)程。該方法不必估計(jì)參數(shù)的方差矩陣，也不用像期望最大化重要性抽樣EMis(expectation maximization importance sampling)算法那樣進(jìn)行重要性抽樣，甚至不需要像數(shù)據(jù)增廣DA (data augmentation ) 算法一樣推導(dǎo)Markov鏈并檢查收斂性，而且還可以應(yīng)用于非常大型的數(shù)據(jù)[11]。

EM算法是一種迭代算法，廣泛運(yùn)用于尋找參數(shù)的最大似然估計(jì)值，尤其是在缺失數(shù)據(jù)的問(wèn)題中非常有用[12]。它的每一次迭代都由兩步組成：E步(求期望)和M步(極大化)。其中E步是在給定已觀測(cè)到的數(shù)據(jù)和當(dāng)前參數(shù)下，求缺失數(shù)據(jù)的條件期望，然后用這些條件期望值去填補(bǔ)缺失值。M步是當(dāng)缺失數(shù)據(jù)被填補(bǔ)之后就像沒(méi)有缺失一樣進(jìn)行的極大似然估計(jì)。重復(fù)以上兩步,直至前后兩次計(jì)算結(jié)果達(dá)到規(guī)定的收斂標(biāo)準(zhǔn)。

將經(jīng)典的EM算法和Bootstrap算法相結(jié)合來(lái)從后驗(yàn)分布中進(jìn)行抽取。具體填補(bǔ)步驟如下：

①?gòu)暮繛閚的完整數(shù)據(jù)集Yobs中有放回地抽取m個(gè)大小為n的樣本。

②對(duì)每一個(gè)樣本運(yùn)行穩(wěn)定而快速的EM算法，得到一組參數(shù)的點(diǎn)估計(jì)值μ和∑，共m組。

③用Ycom中的觀測(cè)數(shù)據(jù)分別結(jié)合每組參數(shù)估計(jì)值得出缺失數(shù)據(jù)的條件分布，并從中抽取填補(bǔ)值，繼而得到m個(gè)經(jīng)填補(bǔ)后的完整數(shù)據(jù)集。

(4)Markov Chain Monte Carlo方法

Markov Chain Monte Carlo(MCMC)方法在應(yīng)用于缺失值領(lǐng)域時(shí)稱(chēng)為數(shù)據(jù)增廣DA算法[13]，同EM算法一樣，DA算法也是依次填補(bǔ)缺失值和推斷未知參數(shù)的一種迭代方法。區(qū)別就在于DA是以隨機(jī)的方式對(duì)缺失值和參數(shù)進(jìn)行抽取，而EM算法只是缺失值和參數(shù)的點(diǎn)估計(jì)。

該算法通過(guò)填充(imputation)及后驗(yàn)(posterior)兩步迭代來(lái)實(shí)現(xiàn)：

①填補(bǔ)步(I-step)

填補(bǔ)的數(shù)據(jù)是從給定觀測(cè)數(shù)據(jù)、均數(shù)和協(xié)方差矩陣后的缺失數(shù)據(jù)的條件分布中隨機(jī)抽取得到，從貝葉斯角度來(lái)看，該分布又稱(chēng)為后驗(yàn)預(yù)測(cè)分布。

在每次迭代過(guò)程中，從事先給定的均值向量μ和協(xié)方差陣Σ的初始估計(jì)值開(kāi)始，在給定Yobs下的條件分布P(Ymis|Yobs)中抽取Ymis。

在某個(gè)觀測(cè)個(gè)體具有類(lèi)似的缺失模式時(shí)，令Yobs=y1，就得到均值向量及條件協(xié)方差矩陣分別為

(10)

(11)

的多元正態(tài)分布P(Ymis|Yobs=y1)，也就是Ymis的條件分布。整個(gè)I-step可以表述成：

(12)

②后驗(yàn)步(P-step)

由于在多重填補(bǔ)過(guò)程中需要產(chǎn)生多個(gè)完整的數(shù)據(jù)集，因此在每個(gè)I-step需要不同的均數(shù)向量和協(xié)方差矩陣，因此P-step的目的就是輪流產(chǎn)生參數(shù)估計(jì)值。

(13)

(14)

(15)

這樣從后驗(yàn)分布中抽取新的參數(shù)后，接下來(lái)的I-step使用這些新的參數(shù)值來(lái)產(chǎn)生新的填補(bǔ)值；然后新的填補(bǔ)數(shù)據(jù)繼續(xù)用于下一個(gè)P-step，繼而再抽取另一組新的參數(shù)估計(jì)值。如此循環(huán)往復(fù)重復(fù)這兩個(gè)步驟一定的次數(shù)，產(chǎn)生一個(gè)足夠長(zhǎng)的隨機(jī)序列：

(16)

該隨機(jī)序列是就一條馬爾科夫鏈，并且在一定的正則條件下會(huì)收斂到一個(gè)穩(wěn)定分布[14]。當(dāng)該鏈?zhǔn)諗康揭粋€(gè)穩(wěn)定的分布P(Ymis,θ|Yobs)時(shí)，就可以近似獨(dú)立地從該分布中為缺失值抽取填補(bǔ)值。

兩種缺失機(jī)制并存時(shí)的兩階段校正模擬研究

1.模擬設(shè)計(jì)

首先需要構(gòu)建出含結(jié)果等式和選擇等式的樣本選擇模型，如下所示：

y0=x1+ε

(17)

d0=x2+v

(18)

d=1(d0≥c)，d=0(d0

(19)

y1=y0·d

(20)

取10000例觀測(cè)值(n=10000)，根據(jù)樣本選擇模型的結(jié)果等式(17)和選擇等式(18)模擬六個(gè)變量x1、x2、y0、d0、ε、v，x1和x2分別取自均值為0，標(biāo)準(zhǔn)差為1，相關(guān)系數(shù)為0的雙變量正態(tài)分布，而ε和v取自均值為0，標(biāo)準(zhǔn)差為1，相關(guān)系數(shù)為0.75的雙變量正態(tài)分布。y0和d0分別通過(guò)公式y(tǒng)0=e1+x1+ε和d0=1+x2+v求出。第一步首先對(duì)全部10000例觀測(cè)值的因變量分別進(jìn)行輕度、中度和重度截取，即以5%、30%和70%的比例向下截取產(chǎn)生對(duì)應(yīng)于調(diào)查中生病但自主選擇不就醫(yī)者發(fā)生的虛假0消費(fèi)因變量?？梢酝ㄟ^(guò)以上截取比例給y0定義一個(gè)相應(yīng)的界值c，當(dāng)d0>c時(shí)，令y1=y0且d=1；當(dāng)d0≤c時(shí)，令y1為缺失且d=0,最后對(duì)y1進(jìn)行對(duì)數(shù)轉(zhuǎn)換，對(duì)應(yīng)于使醫(yī)療費(fèi)用值近似服從正態(tài)分布。通過(guò)調(diào)整c的值就可以獲得針對(duì)樣本選擇模型不同程度缺失率的非隨機(jī)缺失數(shù)據(jù)。第二步分別在上述三個(gè)不同缺失率下，令d=1的個(gè)體以5%、30%和70%的比例隨機(jī)產(chǎn)生缺失(對(duì)應(yīng)于調(diào)查中可能發(fā)生的隨機(jī)缺失)。這樣就產(chǎn)生9種不同的組合數(shù)據(jù)。在上述不同組合下，首先對(duì)d=1的個(gè)體(僅存在隨機(jī)缺失)分別應(yīng)用PMM、PS、MCMC和EMB法進(jìn)行多重填補(bǔ)，然后把填補(bǔ)后的數(shù)據(jù)與d=0的數(shù)據(jù)合并，應(yīng)用樣本選擇模型的兩步似然估計(jì)來(lái)獲得各自的回歸系數(shù)估計(jì)量來(lái)校正虛假0消費(fèi)產(chǎn)生的選擇性偏倚。最后，重復(fù)抽樣100次,計(jì)算9種組合下兩階段校正方法所獲得結(jié)果等式中自變量x1的回歸系數(shù)和標(biāo)準(zhǔn)誤。本次模擬分析中，多重填補(bǔ)技術(shù)的EMB算法選用了R軟件，PMM、PS和MCMC法選用了SAS軟件，樣本選擇模型分析也選用了SAS軟件。

2．評(píng)價(jià)標(biāo)準(zhǔn)

在比較兩階段校正方法下樣本選擇模型結(jié)果等式回歸系數(shù)的優(yōu)劣時(shí)，選用以下三個(gè)評(píng)價(jià)標(biāo)準(zhǔn)[15-16]。

(1) 標(biāo)準(zhǔn)偏倚(Standardized bias)

當(dāng)標(biāo)準(zhǔn)偏倚落在±0.4區(qū)間之外時(shí)，偏倚就會(huì)對(duì)功效、可信區(qū)間覆蓋率和誤差率產(chǎn)生明顯的負(fù)面影響。因此，將±0.4作為評(píng)價(jià)標(biāo)準(zhǔn)偏倚的上下界值，即若某方法的標(biāo)準(zhǔn)偏倚絕對(duì)值超出0.4，此方法便無(wú)法接受。標(biāo)準(zhǔn)偏倚做為評(píng)價(jià)準(zhǔn)確度的指標(biāo)是方法評(píng)價(jià)指標(biāo)中的首要觀測(cè)指標(biāo)。

(2)可信區(qū)間平均長(zhǎng)度(length)

如果一個(gè)方法與另一個(gè)方法相比，有相同的或更高的準(zhǔn)確度，但得出的可信區(qū)間平均卻更短，那么此方法的精確度就更高。

(3)均方誤差的平方根(RMSE)

3．模擬分析結(jié)果

表1 四種填補(bǔ)方法下樣本選擇模型結(jié)果等式的回歸系數(shù)估計(jì)值的各項(xiàng)評(píng)價(jià)標(biāo)準(zhǔn)比較(一)

從表1到表3可知，四種填補(bǔ)方法的標(biāo)準(zhǔn)偏倚絕對(duì)值均不等，其中PS法超過(guò)了所規(guī)定的界值，故該法效果相對(duì)不理想；其余三個(gè)方法中，均方誤差的平方根和可信區(qū)間平均長(zhǎng)度均相差不大，因此根據(jù)標(biāo)準(zhǔn)偏倚絕對(duì)值大小便可判斷出不同缺失機(jī)制組合下的填補(bǔ)方法優(yōu)劣。

綜上，各種情況下不同方法的推薦結(jié)果如表4。

表2 四種填補(bǔ)方法下樣本選擇模型結(jié)果等式的回歸系數(shù)估計(jì)值的各項(xiàng)評(píng)價(jià)標(biāo)準(zhǔn)比較(二)

表3 四種填補(bǔ)方法下樣本選擇模型結(jié)果等式的回歸系數(shù)估計(jì)值的各項(xiàng)評(píng)價(jià)標(biāo)準(zhǔn)比較(三)

表4 不同缺失機(jī)制組合下的填補(bǔ)方法選擇

討 論

數(shù)據(jù)缺失現(xiàn)象在調(diào)查研究中非常普遍，它不僅會(huì)降低參數(shù)估計(jì)的效率，同時(shí)也給統(tǒng)計(jì)分析帶來(lái)很大偏倚。根據(jù)數(shù)據(jù)缺失機(jī)制，可將數(shù)據(jù)缺失分為三類(lèi)：完全隨機(jī)缺失(MCAR)、隨機(jī)缺失(MAR)和非隨機(jī)缺失(NMAR)。針對(duì)MAR機(jī)制，統(tǒng)計(jì)學(xué)家們提出了多種方法來(lái)校正這種缺失帶來(lái)的偏倚，MI就是被廣為推崇的方法之一；針對(duì)NMAR機(jī)制，由于該機(jī)制的復(fù)雜性，當(dāng)前還沒(méi)有一種統(tǒng)一的方法來(lái)校正這種偏倚，不過(guò)當(dāng)回歸模型中的應(yīng)變量為非隨機(jī)缺失時(shí)，某些情況下可以應(yīng)用樣本選擇模型來(lái)糾正這種NMAR帶來(lái)的偏倚；但當(dāng)兩種缺失機(jī)制并存時(shí)的偏倚糾正方法尚未見(jiàn)有介紹。對(duì)此，本研究提出了一個(gè)兩階段策略以糾正不同缺失機(jī)制造成的偏倚。第一階段首先利用只包含隨機(jī)缺失數(shù)據(jù)的個(gè)體對(duì)單純無(wú)應(yīng)答缺失按照MAR機(jī)制進(jìn)行多重填補(bǔ)，在第二階段中使用填補(bǔ)后的多個(gè)數(shù)據(jù)集與選擇性偏倚導(dǎo)致的因變量為虛假0(視為缺失)數(shù)據(jù)合并進(jìn)行樣本選擇模型分析以校正由于非隨機(jī)缺失所造成的偏倚，最后對(duì)多個(gè)樣本選擇模型擬合結(jié)果進(jìn)行合并。

模擬研究結(jié)果表明：當(dāng)非隨機(jī)缺失為輕度時(shí)，PS法由于標(biāo)準(zhǔn)偏倚絕對(duì)值遠(yuǎn)遠(yuǎn)超過(guò)了規(guī)定的界值，所以該法的結(jié)果相對(duì)不理想；而MCMC、EMB和PMM法均得出較好的結(jié)果。不同程度隨機(jī)缺失情況下的填補(bǔ)方法選擇為：隨機(jī)缺失也為輕度時(shí)，MCMC法最好；隨機(jī)缺失為中度時(shí)，EMB法最好；在隨機(jī)缺失為重度時(shí)，PMM法最好。

當(dāng)非隨機(jī)缺失為中度時(shí)，PS法由于標(biāo)準(zhǔn)偏倚絕對(duì)值遠(yuǎn)遠(yuǎn)超過(guò)了規(guī)定的界值，所以仍不可取，而MCMC、EMB和PMM法均得出較好的結(jié)果。此時(shí)，無(wú)論隨機(jī)缺失程度如何，MCMC法都是最好的方法。

當(dāng)非隨機(jī)缺失為重度時(shí)，PS法由于標(biāo)準(zhǔn)偏倚絕對(duì)值遠(yuǎn)遠(yuǎn)超過(guò)了規(guī)定的界值，所以仍不可取，而MCMC、EMB和PMM法均得出較好的結(jié)果。此時(shí)，無(wú)論隨機(jī)缺失程度如何，PMM法都是最好的方法。

本文以醫(yī)療費(fèi)用調(diào)查研究中可能出現(xiàn)的兩種缺失為假設(shè)背景，探索性地提出兩階段策略糾正這兩種偏倚，希望能為以后在缺失值處理方面的應(yīng)用提供一些方法學(xué)依據(jù)。

參 考 文 獻(xiàn)

1.Fisher ES,Bynum JP,Skinner JS.Slowing the growth of health care costs—lessons from regional variation.New England Journal of Medicine,2009,360(9):849-852.

2.衛(wèi)生部統(tǒng)計(jì)信息中心.第四次國(guó)家衛(wèi)生服務(wù)調(diào)查主要結(jié)果.[cited 2010年3月16日];http://www.moh.gov.cn/publicfiles/business/htmlfiles/mohbgt/s3582/200902/39201.htm].

3.Baer OCJ.Bradley JC,et al.Testing and correcting for non-random selection bias due to censoring:an application to medical costs.Health Services and Outcomes Research Methodology,2003,4(2):93-107.

4.Peytchev A,Baxter RK,Carley-Baxter LR.Not All Survey Effort is Equal.Public Opinion Quarterly,2009,73(4):785-806.

5.Rubin DB.Inference and missing data.Biometrika,1976,63(3):581-592.

6.Little RJA.Rubin DB.Statistical analysis with missing data.2nd.Vol.2.2002:Wiley New York:2002.

7.薛小平,史東平，王彤.受限因變量模型及其半?yún)?shù)估計(jì).中國(guó)衛(wèi)生統(tǒng)計(jì),2007,24(2):211-213.

8.張磊.樣本選擇模型的似然估計(jì)與兩步估計(jì).現(xiàn)代預(yù)防醫(yī)學(xué),2007,34(9):1607-1609.

9.張磊.樣本選擇模型及其在醫(yī)療費(fèi)用研究中的應(yīng)用.[碩士學(xué)位論文].山西：山西醫(yī)科大學(xué),2007.

10.Donald B.Multiple Imputation for Nonresponse in Surveys.American Journal of Sociology,1987,76:346.

11.Honaker J,King G.What to Do about Missing Values in Time‐Series Cross‐Section Data.American Journal of Political Science,2010,54(2):561-581.

12.Dempster AP,Laird NM,Rubin DB.Maximum likelihood from incomplete data via the EM algorithm.Journal of the Royal Statistical Society.Series B (Methodological),1977:1-38.

13.Tanner MA,Wong WH.The calculation of posterior distributions by data augmentation.Journal of the American Statistical Association,1987,82(398):528-540.

14.Schunk D.A Markov chain Monte Carlo multiple imputation procedure for dealing with item nonresponse in the German save survey.2007.

15.Co1lins LM，Schafer JL，Kam CM.A Comparison of Inclusive and Restrictive Strategies in Modem Missing Data Procedures.Psychological methods,2001,6(4):330.

16.Burton A,et al.The design of simulation studies in medical statistics.Statistics in Medicine,2006,25(24):4279-4292.