-
Delta-Adjustment
假设受试者在退出试验后，疗效将会降低δ（高优/低优指标分别＋/－某一特定的δ值），按照该假设对缺失数据处理后进行分析。在单臂试验中尤为有用，因为此时无法采用Control-based填补方法。同样在等效或者非劣效试验中，对照组一般为阳性标准对照，可以认为它的疗效是大于或等于试验组，特别当两组脱落率接近时，采用control-based方法实际上并不保守。
Delta值可以基于疾病特征、治疗效应等制定。可以在两组均进行校正、也可以仅在试验组进行校正。
校正的方式比较灵活，如 a.仅在某一访视（如第一次缺失所在访视）进行校正后续访视仍采用Regression model；或 b.将所有缺失数据都填补完成后，在所有访视均进行校正；c. 在b的基础上不同的访视采用不同的δ。这里采用简单的Sequential Regression Modeling（SRI）实现。
例程序1（上述方法a）：
1. 通过MCMC将Non-monotone缺失处理为Monotone缺失
MCMC impute=Monotone;
2. 假设缺失所在访视为2。
PROC MI DATA=Unimputed_2 OUT=Imputed_2 NIMPUTE=1 SEED=XXXX;
BY _imputation_;
CLASS Group CatBase;
VAR Group CatBase Conbase AVAL1;
MONOTONE REG(AVAL2=Group CatBase Conbase AVAL1);
RUN;
3. 假设仅针对试验组第2次访视进行delta adjustment，
则当在第2次访视提前退出时（LastVis=2），在AVAL2上减去delta。
DATA Unimputed_5;
SET Imputed_4;
If Group=1 and LastVis=4 then AVAL4=AVAL4-delta;
run;
4. 后续的其他访视重复步骤2（访视2的delta校正对后续访视的影响通过回归方程体现）
补充：结局为分类变量时，方法类似。此时采用monotone logistic(AVAL2 = XX XX);进行填补，
delta为将填补完成的访视结果校正为无应答的概率。
在第3步中通过一个随机函数对AVAL2进行重新填补，
If Group=1 and LastVis=4 then do；
If ranuni(seed)<delta then AVAL2 = 0; *0=无应答;
end;
-
Tipping-Point
Tipping-Point方法是通过设置一系列的δ值以观察缺失值对最终结论的影响，并找到一个使结论反转（结论成立至不成立）的δ，该值称为Tipping point。通过对tipping point的医学评估，可以判断缺失值对结论的影响，以及不同缺失假设下结论的变化。如Tipping point很大，则说明结论较为稳健。
Tipping-Point是delta adjustment的一种特殊应用，或者Delta-Adjustment是实现tipping-point的一种方法。可以将delta-adjustment包装在宏里，并设置不同的δ来实现tipping-point方法。
例程序2（仅对某一特定访视进行处理）：
1. 通过MCMC将Non-monotone处理为Monotone
2. 对Monotone缺失数据进行回归填补，假设仅对第4次访视的结果进行校正。
(可以仅对某一组进行校正。也可以对不同的组别采用不同的δ，如试验组减一系列的值同时对照组增加一系列的值。通过设置不同的δ找到临界值）
Proc MI data=Imp_1 out=Imp_2 nimpute=1 seed=XX;
Var Group CatBase ConBase AVAL1 AVAL2 AVAL3 AVAL4;
Class Group CatBase;
MNAR adjust(AVAL4/shift=delta1 adjustobs=(TRTPN=1))
adjust(AVAL4/shift=delta2 adjustobs=(TRTPN=2));
Monotone regression;
By _Imputation_;
Run;
校正后的结果为y*=cy+δ，这里c对应SAS中的scale参数，δ对应shift参数。
补充：a. MNAR adjust(V170/shift=0 adjustobs=(TRTPN=1))就相当于没有进行校正。等同于直接采用Regression进行填补。
Proc MI 变量同上;
Var 同上;
Class 同上;
Monotone regression;
Run;
b. 采用Proc MI的MANR（2）进行校正，等同于在直接进行Regression填补（a）完成后在填补后AVAL4上减去δ。结果是一样的
Shift=0或Monotone Regression(a) | Shift=-5(b) | (a)-5
2.9 2.9 该记录不缺失，不进行处理
6.848 1.848 1.848
例程序3：
以MAR填补完成后的组间差值作为初始的delta，并按一定比例递增或递减直至结论反转。
1. 通过FCS（或者回归填补，MCMC）对缺失值进行填补。
proc MI data=TransV2H seed=XX nimpute=X out=ImpuOut;
by TRTPN; /*Imputed by Group*/
class TRTPN country;
Var TRTPN baseline country AVAL1-AVAL2;
FCS REG(AVAL1= country baseline);
FCS REG(AVAL2= country baseline AVAL1);
... ...;
run;
2. 根据项目要求采用ANOVA或者MMRM进行分析，计算差值
3. 以第2步计算出的差值为基础进行校正，缺失的访视数据按一定比例增加（或减少）K%进行校正，直到结论反转。
proc sort data=TransH2V; by usubjid; run;
data TransH2V;
merge TransH2V /* TransH2V为填补完成后横结构转置为竖结构后的数据集 */
LastVIS; /* LastVIS用于标记缺失开始的访视 */
by usubjid;
if VISIT>LastVIS and TRTPN='R' then /*可以根据实际要求筛选，如组别、退出原因等*/;
Adjusted=AVAL-Delta*K%; *Delta: 第2步中计算的两组差值;
*K按10%递增直到P>0.05;
else AdjustCh=change;
run;
Ratitch and OKelly Pattern Mixture PharmaSUG-2011-SP04
