Bu çalışma, marjinal model yaklaşımlarından olan Genelleştirilmiş Tahmin Eşitlikleri (GEE) yöntemi üzerine çoklu atama yönteminin performansını değerlendirmeyi amaçlamıştır. Araştırma materyali olarak beş yıl süresince 1044 bireyden elde edilen uzun süreli veri yapısına sahip gözlemler kullanılmıştır. Çalışmada, sigara kullanım sıklığı Poisson dağılışına sahip cevap değişkeni ve bunun üzerine etkili olabileceği düşünülen değişkenler göz önünde bulundurulmuştur. Bu değişkenler, bireyin alkol kullanım sıklığı, bireyin sigara içmesine arkadaşın etki skoru, bireyin ailesini dinleme skoru, birey-aile ilişki skorları, ebeveynin evlilik durumu, cinsiyet ve yaş şeklindedir. GEE’de çalışma korelasyon yapısının belirlenmesinde dört farklı korelasyon yapısı incelenmiştir. Uygun korelasyon yapısının belirlenmesinde en küçük yarı olabilirlik uyum ölçütünü veren yapı en uygun çalışma korelasyon yapısı olarak belirlenmiştir.  Eksik gözlemlerin tahmininde, eksik gözlemlerin şansa bağlı (MAR) olduğu kabul edilmiş ve çoklu atama (MI) yöntemi uygulanarak eksik gözlemler tahmin edilmiştir. Böylece elde edilen tam veri setine tekrar GEE yöntemi uygulanarak MI-GEE sonuçları elde edilmiştir. Sonuç olarak, GEE ve MI-GEE için en uygun korelasyon yapısı bağımsız yapı olarak belirlenmiş ve bu yapı kullanılarak parametre tahminleri elde edilmiştir. Her iki durumda da ampirik standart hata tahmin sonuçları değerlendirilmiştir. Buna göre, eksik gözleme sahip veri setinde GEE sonuçları ve ampirik standart hata tahminlerinde sigara kullanımı üzerine alkol kullanımının ve aile ilişki sokurunun (p<0.001) ve yaşın etkisi (p<0.01) önemli bulunurken, MI-GEE sonuçlarında ise alkol kullanımı, aile ilişki skoru, cinsiyet, yaş (P<0.001) ve bireyin ailesiyle olan ilişki skoru (p<0.01) önemli bulunmuştur. Bununla beraber, MI-GEE’deki standart hata tahminleri, eksik gözlemli veriye uygulanan GEE’deki tahminlere göre oldukça küçük elde edilmiştir.  

This study aimed to assess the performance of multiple imputation for the Generalized Estimating Equation (GEE) method, one of the marginal model approaches. Observations with longitudinal data structure obtained from 1044 individuals during five years were used. Smoking frequency, response variable with Poisson distribution and the independent variables thought likely to affect these were taken into consideration. These variables are the individual’s alcohol use frequency, the score for friend influence on the individual’s smoking, the score for individual’s listening to his/her family, individual-family relationship score, marriage status of parents, gender and age. Four different working correlation structures were examined to determine the study correlation structure in GEE. Quasi information criterion was used to determine the most appropriate working correlation structure to fit the data. In estimating the missing observation, the missing observations were assumed to be missing at random, and missing observations were estimated using multiple imputation (MI). Thus, the GEE method was applied again to the complete data set obtained and MI-GEE results were obtained. As a result, the appropriate working correlation structure for GEE and MI-GEE was determined as the independent structure, and parameter estimations were obtained using this structure. In both cases, empirical standard error results were evaluated. Accordingly, in the data set with missing observations, effect of alcohol use and family relationship status (p<0.001) and of age (p<0.01) on smoking was found to be significant in GEE results. In the MI-GEE results, effect of alcohol use, family relationship score, gender, age (P<0.001) and the score for the individual’s relationship with his/her family (p<0.01) was found to be significant. Standard error estimations obtained for MI-GEE were much smaller compared to the data with missing observations.