J'ai ajusté deux modèles d'équations d'estimation généralisées (GEE) à mes données:
1) Modèle 1: le résultat est une variable longitudinale Oui / Non (A) (année 1,2,3,4,5) avec prédicteur continu longitudinal (B) pour les années 1,2,3,4,5.
2) Modèle 2: Le résultat est la même variable longitudinale Oui / Non (A), mais maintenant avec mon prédicteur fixé à sa valeur de l'année 1, c'est-à-dire forcé d'être invariant dans le temps (B).
En raison de mesures manquantes dans mon prédicteur longitudinal à quelques moments dans différents cas, le nombre de points de données dans le modèle 2 est plus élevé que dans le modèle 1.
Je voudrais savoir quelles comparaisons je peux valablement faire entre les rapports de cotes, les valeurs de p et l'ajustement des deux modèles, par exemple:
Si l'OR pour le prédicteur B est plus grand dans le modèle 1, puis-je valablement dire que l'association entre A et B est plus forte dans le modèle 1?
Comment puis-je évaluer quel est le meilleur modèle pour mes données. ai-je raison de penser que les pseudo-carrés QIC / AIC ne doivent pas être comparés d'un modèle à l'autre si le nombre d'observations n'est pas le même?
Toute aide serait grandement appréciée.
Réponses:
J'essaierais certainement l'imputation multiple (par exemple avec des souris ou Amelia dans R), éventuellement avec plusieurs méthodes alternatives pour imputer les valeurs manquantes.
Dans le pire des cas, vous pouvez le considérer comme une analyse de sensibilité.
la source