Die Multiple Imputation mit IBM SPSS Statistics – eine einfache Schritt für Schritt Anleitung (Teil 3 der Reihe „Fehlende Werte“)
Fehlende Werte/IBM SPSS Statistics/Multiple Imputation
4 Comments

Die Multiple Imputation mit IBM SPSS Statistics – eine einfache Schritt für Schritt Anleitung (Teil 3 der Reihe „Fehlende Werte“)

Wo befinden wir uns im Prozess der Datenaufbereitung, wenn wir uns dafür entschieden haben, eine Multiple Imputation (MI) vorzunehmen?

Wir hatten einen Datensatz vorliegen, haben festgestellt, dass dieser hier und dort mehr als 5% (echte) fehlende Werte enthält – darüber hinaus haben wir mittels MCAR-Test nach Little herausgefunden, dass diese komplett zufällig fehlen (MCAR)  – ODER wir wissen, dass diese zufällig fehlen (MAR; warum auch immer – mir hat sich dies bis heute nicht vollends erschlossen, weil man wohl ein „Gefühl“ dafür entwickeln soll…ein was? Ein „Gefühl“ – also genau das, was sonst in der Statistik und Methodik völlig fehl am Platz ist, da subjektiv, individuell, wahrnehmungsfehlerbehaftet und sonst noch was, aber gut…wer mir helfen kann, bitte eine Nachricht schicken oder in die Kommentare schreiben :). Naja egal…weiter im Text:

In beiden Fällen ist die Ersetzung mittels MI möglich.

Wie funktioniert nun die MI in SPSS?

3.444
Best Practice: Anwendungsempfehlungen im Umgang mit fehlenden Werten (Teil 1 der Reihe „Fehlende Werte“)
Fehlende Werte
3 Comments

Best Practice: Anwendungsempfehlungen im Umgang mit fehlenden Werten (Teil 1 der Reihe „Fehlende Werte“)

Gängige und einfach anzuwenden Verfahren im Umgang mit fehlenden Werten, wie beispielsweise der listenweise oder der paarweise Fallausschluss sowie die häufig angewendete Mittelwertersetzung, bergen zahlreiche Nachteile[1]. Beispielweise ist eine Ersetzung durch den Mittelwert nur für die Berechnung von Summen und Mittelwerte legitim, und auch nur dann, wenn den fehlenden Werte keinerlei Systematik unterliegt (Missing complete at random; MCAR), was in der Forschungspraxis jedoch eher selten der Fall ist.

2.222