10
PWA (Subject) / Umgang mit fehlenden Daten (Lesson)
- Prozesse hinter fehlenden Daten Völlig zufällig (Missing Completely At Random; MCAR) Zufällig (Missing At Random; MAR) Nicht zufällig (Missing Not At Random; MNAR)
- Völlig zufällig (Missing Completely At Random; MCAR) Wahrscheinlichkeit, dass Daten fehlen, hängt weder von beobachteten noch von nicht beobachteten Daten ab.
- zufällig (Missing At Random; MAR) Die Wahrscheinlichkeit, dass Daten fehlen, hängt von beobachteten (und im statistischen Modell berücksichtigten), nicht aber von nicht beobachteten Daten ab. MAR Prozesse zeigen sich, wenn sich Personen mit und ohne fehlende Werte in einer Variable in anderen erhobenen Kennwerten unterscheiden.
- nicht zufällig (Missing Not At Random; MNAR) Die Wahrscheinlichkeit, dass Daten fehlen, hängt (auch) von nicht beobachteten (=nicht im statistischen Modell) Daten ab. In diesem Fall sind die Ergebnisse der inferenzstatistischen Analysen verzerrt
- Möglicher Umgang mit fehlenden Werte nur vollständige Datensätze verwenden fehlende Werte durch Schätzungen ersetzen (Last Observation Carried Forward"; Mittelwert der anderen Items einer Skala; Schätzung mittels Regressionsmodell aus vorhandenen Daten) Verwendung Statistischer Modelle, die nicht alle vorhandenen Daten nutzen, aber fehlende Daten nicht ersetzen
- Verwendung vollständiger Datensätze Das Vorgehen ist nur bei MCAR Daten korrekt. Jedoch kommt es dabei zu einer Reduktion der statistischen Power durch Reduktion der Stichprobengröße.
- Ersetzen der fehlenden Werte: „Last Observation Carried Forward“ (LOCF) In Zeitreihen werden fehlende Werte durch den letzten zuvorgemessenen Messwert ersetzt. Diese Methode führt bei allen Arten von Prozessen von fehlenden Werten zu Verzerrungen, wenn man davon ausgehen muss, dass es zu zeitlichen Veränderungen kommt.
- Erstzen der Fehlende Werte: Durch Mittelwert anderer Items ersetzen Meist verwendet, wenn einzelne Items einer Skal nicht ausgefüllt werden. Berecht nen den Skalenwert aus dem Mittelwert der vorhandenen Items In Zeitreihen wird der fehlende Wert durch den Mittelwert der vorangegangenen und nachherigen Messung ersetzt
- Ersetzen der fehlenden Werte: Schätzung durch Regressionsmodell Anhand des Datensatzes wird für jede Variable das beste Regressionsmodell ermittelt, um die fehlenden Variablen zu ermitteln Man geht davon aus, dass da Vorgehen bei Mcar und mar keine systematische Verzerrung bewirkt
- Ersetzen fehlender Werte: Multiple Imputation Pro fehlendem Wert nicht nur ein Schätzwert, sondern mehrerer berechnet werden, sodass zahlreiche Datensätze resultieren.
Advertisement