Eksik Veride Karar Ağacı: Mekanizmadan Duyarlılık Analizine

Eksik veri neden önemlidir?

Eksik gözlemler yalnızca örneklem sayısını azaltmaz; eksikliğin oluşma biçimine göre tahminleri yanlı hale getirebilir. “Eksik oranı %5'ten azsa sorun yok” gibi evrensel bir eşik bulunmaz. Kritik nokta, eksikliğin sonuç ve gözlenen değişkenlerle ilişkisi ve analiz modelidir.

MCAR, MAR ve MNAR

• MCAR: Eksiklik hem gözlenen hem gözlenmeyen değerlerden bağımsızdır. Güçlü ve çoğu zaman gerçekçi olmayan bir varsayımdır.

• MAR: Gözlenen değişkenler koşullu olarak hesaba katıldığında eksiklik, eksik değerin kendisine bağlı değildir. Multiple imputation ve likelihood yöntemleri sıklıkla bu varsayıma dayanır.

• MNAR: Gözlenen bilgilerden sonra bile eksiklik gözlenmeyen değere bağlıdır. Tanımlanamayan varsayımlar ve duyarlılık analizleri gerekir.

Bu mekanizmalar yalnızca bir istatistiksel testle kesin olarak belirlenemez; süreç bilgisi ve kayıp nedenleri gereklidir.

Complete-case analizi

Herhangi bir gerekli değeri eksik olan katılımcıları silmek kolaydır fakat verimsiz ve yanlı olabilir. Belirli koşullarda geçerli olsa da MCAR varsayımına körü körüne güvenilmemelidir. Kimlerin dışlandığı ve sonuçların ne kadar değiştiği raporlanmalıdır.

Tekli imputasyon neden sorunludur?

Ortalama ile doldurma, son gözlemi ileri taşıma veya tek bir tahmin kullanma belirsizliği küçümser, varyansı bozar ve ilişkileri zayıflatabilir. Bir doldurulmuş veri setini gerçek veri gibi analiz etmek standart hataları gereğinden daraltır.

Multiple imputation

Multiple imputation, eksik değerler için birden fazla olası veri seti üretir, her birini analiz eder ve sonuçları Rubin kurallarıyla birleştirir. İmputasyon modeli analiz modelindeki outcome, maruziyet, kovaryatlar ve eksiklikle ilişkili yardımcı değişkenleri içermelidir. Sürekli, ikili ve ordinal değişkenlerin dağılımı dikkate alınmalıdır.

Kaç imputasyon?

Sabit bir “5 imputasyon yeterlidir” kuralı güncel uygulama için zayıf kalabilir. Gerekli sayı eksik bilgi oranına ve hedef kesinliğe bağlıdır; daha yüksek eksiklikte onlarca imputasyon hesaplama açısından genellikle ucuz ve daha kararlıdır.

Duyarlılık analizi

MAR varsayımı veriden tam sınanamaz. Pattern-mixture, delta adjustment, tipping-point veya farklı kayıp senaryoları sonuçların MNAR sapmasına ne kadar dayanıklı olduğunu gösterebilir. Ana analizle aynı estimandı hedeflemelidir.

Raporlama

• Her değişken ve grup için eksik sayı/oran

• Eksiklik nedenleri ve zamanlaması

• İmputasyon modeli ve kullanılan yazılım

• İmputasyon sayısı, tanı kontrolleri ve birleştirme yöntemi

• Complete-case ve MNAR duyarlılık sonuçları

Kaynaklar

• Sterne JAC ve ark. Multiple imputation: potential and pitfalls. BMJ 2009.

• Missing Data in Clinical Research: A Tutorial on Multiple Imputation. 2021.

• EMA Guideline on Missing Data in Confirmatory Clinical Trials.

Erişim tarihi: 20 Haziran 2026.