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

 

 Buy Article Permissions and Reprints

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.

^* 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: christian.zwingmann@web.de

• Literatur

• 1 Allison P. Missing data. Thousand Oaks, CA: Sage; 2001
  Google Scholar
• 2 Little RJA, Rubin DB. The analysis of social science data with missing values. Sociological Methods & Research 1989; 18 (2–3) 292-326
  CrossrefPubMedGoogle Scholar
• 3 Little RJA, Rubin DB. Statistical analysis with missing data. 2. Aufl. New York: Wiley-Interscience; 2002
  Google Scholar
• 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
  Article in Thieme ConnectPubMedGoogle Scholar
• 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
  Google Scholar
• 6 Rubin DB. Inference and missing data. Biometrika 1976; 63 (03) 581-592
  CrossrefPubMedGoogle Scholar
• 7 Raykov T. On testability of missing data mechanisms in incomplete data sets. Structural Equation Modeling: A Multidisciplinary Journal 2011; 18 (03) 419-429
  CrossrefPubMedGoogle Scholar
• 8 Hair J, Black W, Babin B et al. Multivariate data analysis: A global perspective. New Jersey: Pearson; 2010
  Google Scholar
• 9 Enders CK. Analyzing longitudinal data with missing values. Rehabilitation Psychology 2011; 56 (04) 267-288
  CrossrefPubMedGoogle Scholar
• 10 Enders CK. Applied missing data analysis. New York: The Guilford Press; 2010
  Google Scholar
• 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)
  Google Scholar
• 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
  CrossrefPubMedGoogle Scholar
• 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
  PubMedGoogle Scholar
• 14 Heckman JT. Sample selection bias as a specification error. Econometrica 1979; 47: 153-161
  CrossrefPubMedGoogle Scholar
• 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
  CrossrefPubMedGoogle Scholar
• 16 Graham JW. Missing data analysis: Making it work in the real world. Annual Review of Psychology 2009; 60: 549-576
  CrossrefPubMedGoogle Scholar
• 17 von Hippel PT. Biases in SPSS 12.0 missing value analysis. The American Statistician 2004; 58 (02) 160-164
  CrossrefPubMedGoogle Scholar
• 18 Rubin DB. Multiple imputation for nonresponse in surveys. New York: Wiley; 1987
  CrossrefGoogle Scholar
• 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
  CrossrefPubMedGoogle Scholar
• 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
  Google Scholar
• 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
  CrossrefPubMedGoogle Scholar
• 22 von Hippel PT. How to impute interactions, squares, and other transformed variables. Sociological Methodology 2009; 39 (01) 265-291
  CrossrefPubMedGoogle Scholar
• 23 McKnight PE, McKnight KM, Sidani S et al. Missing data: A gentle introduction. New York: The Guilford Press; 2007
  Google Scholar
• 24 Lüdtke O, Robitzsch A, Trautwein U et al. Umgang mit fehlenden Werten in der psychologischen Forschung. Psychologische Rundschau 2007; 58 (02) 103-117
  CrossrefPubMedGoogle Scholar
• 25 Schafer JL. Analysis of incomplete multivariate data. London: Chapman & Hall; 1997
  CrossrefGoogle Scholar
• 26 Yucel RM. State of the multiple imputation software. J Stat Softw 2011; 45: 1
  PubMedGoogle Scholar