حسین بیورانی (Hossein Bevrani)

در مطالعات طولی هر فرد در طول زمان تحت اندازه‌گیری‌های مکرر قرار می‌گیرد، در چنین مطالعاتی وجود داده‌های ناکامل یا اصطلاحاً داده‌های گم‌شده امری اجتناب‌ناپذیر است زیرا ممکن است تعدادی از افراد به دلایل مختلف در تمام زمان‌های اندازه‌گیری در دسترس نباشند. اگر داده‌های گم‌شده غیرقابل چشم‌پوشی باشند، در اینصورت تحلیل داده‌ها با روش‌های معمول منجر به تولید برآوردگرهای اریب و نتایج نامعتبر خواهد شد، در این مورد لازم است که مکانیزم داده‌های گم‌شده را نیز مدل‌بندی کرد. از روش ماکسیمم درستنمایی برای تحلیل داده‌های طولی ناکامل به طور گسترده‌ای استفاده می‌شود، که برآوردگرهای ML معمول، نسبت به مشاهدات حدی یا نقاط پرت در داده‌ها حساس‌اند، و در عمل در داده‌های واقعی معمولا با مقادیر گم‌شده و نقاط پرت روبرو هستیم. از این‌رو در این پایان‌نامه روش نیرومند را که در چارچوب روش ML توسعه‌ یافته، برای تحلیل داده‌های طولی ناکامل با مشاهدات حدی بررسی خواهیم کرد. در پایان ضمن شبیه‌سازی نتایج، یک مثال کاربردی نیز در زمینه‌ی بیماران مبتلا به ایدز مدل‌بندی خواهد شد.