Unvollständige Daten sind eine universelle Herausforderung in Forschung, Business Analytics, Gesundheitswesen und Politik. Der Satz „die Anzahl der Personen, die erhalten, ist nicht spezifiziert“ spiegelt eine fundamentale Realität wider: Datensätze erfassen selten alles, was wir brauchen. Dieser Leitfaden bietet einen strukturierten Ansatz zur Bewertung, Behebung und Kommunikation von Datenlücken.
Typen fehlender Daten (Rubin-Framework)
- MCAR (Missing Completely at Random): Fehlen ist unabhängig von beobachteten oder unbeobachteten Daten. Beispiel: Umfrageseite auf dem Postweg verloren. Selten in der Praxis.
- MAR (Missing at Random): Fehlen hängt von beobachteten Daten ab, aber nicht von unbeobachteten. Beispiel: Höher verdienende Befragte geben seltener ihr Einkommen an (Einkommen ist für andere beobachtet).
- MNAR (Missing Not at Random): Fehlen hängt vom unbeobachteten Wert selbst ab. Beispiel: Menschen mit schwerer Depression füllen eine Depressionsumfrage seltener aus. Am problematischsten.
Diagnose von Fehlmuster
- Fehlkarten/Heatmaps: Muster über Variablen und Beobachtungen visualisieren.
- Little's MCAR-Test: Statistischer Test (begrenzte Power bei großer N).
- Logistische Regression von Fehlindikatoren: Fehlen von beobachteten Variablen vorhersagen → Evidenz für MAR.
- Sensitivitätsanalyse: Testen, wie Schlussfolgerungen unter verschiedenen MNAR-Annahmen variieren.
Strategien zur Behandlung fehlender Daten
1. Prävention (beste Strategie)
- Studienplanung: Belastung minimieren, Instrumente pilotieren, Follow-up-Protokolle.
- Datenerhebung: Echtzeit-Validierung, Pflichtfelder, Anreize.
- Administrative Verknüpfung: Umfragen mit Register/EHR-Daten ergänzen.
2. Complete Case Analysis (Listwise Deletion)
- Gültig nur unter MCAR (unvoreingenommen, aber ineffizient).
- Unter MAR/MNAR: Verzerrte Schätzungen, reduzierte Power.
- Akzeptabel, wenn <5 % fehlen und MCAR plausibel.
3. Einzelimputation (für Analysen generell nicht empfohlen)
- Mittel-/Median-/Modusimputation: Unterschätzt Varianz, verzerrt Verteilungen.
- Regressionsimputation: Überschätzt Präzision.
- Last Observation Carried Forward (LOCF): Verzerrt für Längsschnittdaten.
- Nur für deskriptive Zusammenfassungen oder explorative Arbeiten verwenden.
4. Multiple Imputation (MI) — Goldstandard für MAR
- Imputieren: m (typisch 20–100) vollständige Datensätze mittels Chained Equations (MICE) oder gemeinsamer Modellierung erstellen.
- Analysieren: Identische Analyse auf jedem Datensatz durchführen.
- Poolen: Schätzungen mittels Rubin-Regeln kombinieren (innerer + zwischen-Imputations-Varianz).
Anforderungen: Alle Analysevariablen + Prädiktoren des Fehlens + Hilfsvariablen einschließen. Konvergenz, Imputationsdiagnostik prüfen.
5. Maximum Likelihood / Full Information ML (FIML)
- Schätzt Parameter direkt unter Verwendung aller beobachteten Daten (kein Imputationsschritt).
- Standard in SEM (lavaan, Mplus), Mixed Models (lme4, nlme).
- Nimmt MAR an; effizient, unvoreingenommen bei korrekter Modellspezifikation.
6. Inverse Probability Weighting (IPW)
- Complete Cases mit inverser Wahrscheinlichkeit des Beobachtetwerdens gewichten.
- Erfordert korrekte Spezifikation des Fehlmodells.
- Nützlich für Umfrage-Nonresponse, Zensurierung.
7. Sensitivitätsanalyse für MNAR
- Pattern-Mixture-Modelle: Verschiedene Parameter für fehlende vs. beobachtete Muster.
- Selection-Modelle: Gemeinsames Modell von Ergebnis und Fehlmechanismus.
- Delta-Adjustment / Tipping Point: Imputierte Werte systematisch verschieben; Punkt finden, an dem sich die Schlussfolgerung ändert.
- Expertenelizitation: Plausible MNAR-Abweichungen quantifizieren.
Berichtsstandards (Transparenz)
- Flussdiagramm: Screened → Eligible → Enrolled → Analyzed (CONSORT/STROBE).
- Fehlen pro Variable: Anzahl, Prozent, Muster.
- Vergleich: Complete vs. incomplete Fälle auf beobachteten Variablen.
- Methode: Explizite Angabe des Ansatzes, Annahmen, Software, Diagnostik.
- Sensitivität: Ergebnisse unter alternativen Annahmen.
Praktisches Entscheidungsframework
- Quantifizieren: Wie viel fehlt? Welche Variablen? Monotoner oder willkürlicher Muster?
- Diagnostizieren: MCAR-Test, Prädiktoren des Fehlens, Sachverstand-Plausibilität von MAR vs. MNAR.
- Methode wählen: MI (Allzweck), FIML (SEM/Längsschnitt), IPW (Umfrage), Complete Case (minimal MCAR).
- Sorgfältig implementieren: Hilfsvariablen einschließen, Diagnostik prüfen, ausreichendes m verwenden.
- Sensitivität analysieren: Mindestens Complete Case vs. MI vergleichen.
- Transparent berichten: Ermöglicht Leser, Glaubwürdigkeit zu beurteilen.
Fehlende Daten sind kein technisches Ärgernis – es ist eine Design- und Inferenzherausforderung. Das Ziel ist nicht, Zahlen „auszufüllen“, sondern gültige Schlussfolgerungen zu ziehen, während Unsicherheit ehrlich dargestellt wird.
