METODE MULTIPLE IMPUTATION UNTUK MENGATASI KOVARIAT TAK LENGKAP PADA DATA KEJADIAN BERULANG

Abstract. Multiple imputation is one of estimation method used to impute missing observations. This method imputes missing observation several times then it is more possible to get the right estimate than just one time imputation. In this research, the method will be applied to estimate missing observations in covariates of recurrent event data. Some multiple imputation methods will be considered including combination of the event indicator, the event times, the logarithm of event times, and the cumulative baseline hazard. To compare these methods, Monte Carlo simulation will be used based on relative bias and Mean Squared Error (MSE). The recurrent events will be modelled using Cox proportional hazard model. Furthermore, real data application will be presented. Abstrak. Metode multiple imputation merupakan salah satu metode untuk mengestimasi observasi yang hilang. Metode ini melakukan imputasi beberapa kali pada observasi yang hilang sehingga kemungkinan untuk memperoleh estimasi yang tepat lebih besar dari pada hanya melakukan imputasi satu kali. Pada penelitian ini metode tersebut akan diaplikasikan pada data kejadian berulang untuk mengestimasi observasi yang hilang pada kovariat. Akan dicoba beberapa metode multiple imputation yang melibatkan pengamatan terhadap kejadian, waktu kejadian, logaritma dari waktu kejadian, dan baseline hazard kumulatif. Kejadian berulang akan dimodelkan dengan model hazard proporsional Cox. Simulasi Monte Carlo akan digunakan untuk membandingkan beberapa metode multiple imputation berdasarkan nilai bias relatif dan Mean Square Error (MSE). Lebih lanjut, aplikasi pada data real akan diberikan