Lösungsansätze für das Problem fehlender Werte: Mechanismen erkennen und adäquat behandeln ^[*]

Zusammenfassung

Der wichtigste Schritt zum richtigen Umgang mit fehlenden Werten ist das Wissen um die Mechanismen, die das Fehlen bedingen. Darauf aufbauend werden moderne Verfahren zum Umgang mit fehlenden Werten, welche im Vergleich zu bisherigen Verfahren mit allgemeineren Situationen umgehen können, vorgestellt und verglichen. Zum Abschluss werden konkrete Handlungsanweisungen zum korrekten Umgang mit fehlenden Werten gegeben.

Abstract

Being confronted with missing data, the most important step is the knowledge of the underlying mechanism. In consequence of this, modern missing data techniques in contrast to past techniques are presented and compared, which can deal with more common situations. Finally, concrete instructions for the correct treatment of missing data are given.

Schlüsselwörter

fehlende Werte - Mechanismen fehlender Werte - MCAR-Test - klassische Verfahren - Imputationsverfahren - Multiple Imputation

Key words

missing data - missing data mechanisms - MCAR-test - classic procedures - imputation procedures - multiple imputation

^* Koordinatoren der Reihe „Methoden in der Rehabilitationsforschung“:

^* Prof. Dr. Dr. Hermann Faller, Würzburg; Prof. Dr. Thomas Kohlmann, Greifswald; Prof. Dr. Dr. Christian Zwingmann, Bochum

^* Interessenten, die einen Beitrag zur Reihe beisteuern möchten, werden gebeten, vorab Kontakt aufzunehmen; E-Mail: [e-mail]

• Literatur

• 1 Allison P. Missing data. Thousand Oaks, CA: Sage; 2001
• 2 Little RJA, Rubin DB. The analysis of social science data with missing values. Sociological Methods & Research 1989; 18 (2–3) 292-326
• 3 Little RJA, Rubin DB. Statistical analysis with missing data. 2. Aufl. New York: Wiley-Interscience; 2002
• 4 Wirtz M. Über das Problem fehlender Werte: Wie der Einfluss fehlender Informationen auf Analyseergebnisse entdeckt und reduziert werden kann. Rehabilitation 2004; 43 (01) 1-7
• 5 Frey C, Bührlen B, Gerdes N et al. Handbuch zum IRES-3: Indikatoren des Reha-Status, Version 3 mit IRES-24 (Kurzversion). Regensburg: Roderer; 2007
• 6 Rubin DB. Inference and missing data. Biometrika 1976; 63 (03) 581-592
• 7 Raykov T. On testability of missing data mechanisms in incomplete data sets. Structural Equation Modeling: A Multidisciplinary Journal 2011; 18 (03) 419-429
• 8 Hair J, Black W, Babin B et al. Multivariate data analysis: A global perspective. New Jersey: Pearson; 2010
• 9 Enders CK. Analyzing longitudinal data with missing values. Rehabilitation Psychology 2011; 56 (04) 267-288
• 10 Enders CK. Applied missing data analysis. New York: The Guilford Press; 2010
• 11 IBM Deutschland . SPSS Software für Predictive Analytics. Ehningen: IBM Deutschland; herausgegeben; 2012. verfügbar unter: http://www-01.ibm.com/software/de/analytics/spss/ (aufgerufen 31.7.2012)
• 12 Collins LM, Schafer JL, Kam CM. A comparison of inclusive and restrictive strategies in modern missing data procedures. Psychological Methods 2001; 6 (04) 330-351
• 13 Heckman JT. The common structure of statistical models of truncation, sample selection and limited dependent variables and a simple estimator for such models. The Annals of Economic and Social Measurement 1976; 5: 475-492
• 14 Heckman JT. Sample selection bias as a specification error. Econometrica 1979; 47: 153-161
• 15 Muthén B, Asparouhov T, Hunter AM et al. Growth modeling with nonignorable dropout: Alternative analyses of the STAR* D antidepressant trial. Psychological Methods 2011; 16 (01) 17-33
• 16 Graham JW. Missing data analysis: Making it work in the real world. Annual Review of Psychology 2009; 60: 549-576
• 17 von Hippel PT. Biases in SPSS 12.0 missing value analysis. The American Statistician 2004; 58 (02) 160-164
• 18 Rubin DB. Multiple imputation for nonresponse in surveys. New York: Wiley; 1987
• 19 Graham JW, Olchowski AE, Gilreath TD. How many imputations are really needed? Some practical clarifications of multiple imputation theory. Prevention Science 2007; 8 (03) 206-213
• 20 Graham J, Cumsille P, Elek-Fisk E. Methods for handling missing data. In: Schinka J, Velicer W. Hrsg Handbook of psychology: Research methods in psychology. New York: John Wiley & Sons; 2003: 87-114
• 21 Enders CK. A note on the use of missing auxiliary variables in full information maximum likelihood-based structural equation models. Structural Equation Modeling: A Multidisciplinary Journal 2008; 15 (03) 434-448
• 22 von Hippel PT. How to impute interactions, squares, and other transformed variables. Sociological Methodology 2009; 39 (01) 265-291
• 23 McKnight PE, McKnight KM, Sidani S et al. Missing data: A gentle introduction. New York: The Guilford Press; 2007
• 24 Lüdtke O, Robitzsch A, Trautwein U et al. Umgang mit fehlenden Werten in der psychologischen Forschung. Psychologische Rundschau 2007; 58 (02) 103-117
• 25 Schafer JL. Analysis of incomplete multivariate data. London: Chapman & Hall; 1997
• 26 Yucel RM. State of the multiple imputation software. J Stat Softw 2011; 45: 1