Wie geht man mit fehlenden Werten in SPSS Amos um?

Fehlende Werte sind in empirischen Abschlussarbeiten fast unvermeidlich – und in SPSS Amos haben Sie eine methodisch starke Option, um damit umzugehen: Full Information Maximum Likelihood (FIML). Amos schätzt dabei alle Modellparameter auf Basis sämtlicher verfügbarer Informationen im Datensatz, ohne fehlende Werte vorab zu ersetzen oder Fälle auszuschließen. Entscheidend ist aber, dass Sie vor der Analyse verstehen, warum Werte fehlen – denn davon hängt ab, welche Methode überhaupt zulässig ist.

Warum fehlende Werte kein Randproblem sind

Viele Studierende unterschätzen die Tragweite fehlender Werte. Die intuitive Reaktion ist oft: „Es fehlen doch nur 5 % – das ist vernachlässigbar.“ Doch ob fehlende Werte ein Problem darstellen, hängt nicht allein von ihrem Ausmaß ab, sondern vor allem von ihrem Mechanismus.

Die Fachliteratur warnt ausdrücklich davor, einen kleinen Missing-Anteil als automatisch unproblematisch einzustufen: Verzerrungen in Parameterschätzungen entstehen durch den Mechanismus des Fehlens, nicht durch den bloßen Umfang. Auch 3 % fehlende Werte können zu ernsthaft verzerrten Ergebnissen führen, wenn sie nicht zufällig fehlen.

Für Strukturgleichungsmodelle – wie Sie sie in Amos umsetzen – ist das besonders relevant, weil Modellfit-Indizes, Faktorladungen und Pfadkoeffizienten alle durch unsachgemäßen Umgang mit Missing Data verzerrt werden können. Eine fundierte Übersicht zur SEM-Methodik finden Sie in unserem Beitrag Was ist ein Strukturgleichungsmodell und wann braucht man es?

MCAR, MAR und MNAR: Die drei Mechanismen

Bevor Sie in Amos auch nur einen Pfad zeichnen, sollten Sie die drei grundlegenden Missing-Data-Mechanismen kennen. Die Wahl Ihrer Analysestrategie hängt direkt davon ab.

In der Praxis lässt sich MCAR mit dem Little’s MCAR-Test prüfen, den Sie in SPSS unter Analysieren → Fehlende Werte analysieren → Deskriptive Statistiken aufrufen können. Ein nicht-signifikantes Ergebnis spricht für MCAR. MAR ist hingegen eine nicht direkt testbare Annahme – sie muss inhaltlich begründet werden.

Full Information Maximum Likelihood in Amos

FIML ist die in Amos implementierte Standardlösung für fehlende Werte – und methodisch die stärkste Option, die Sie im Rahmen einer Abschlussarbeit einsetzen können. Das offizielle Amos-Handbuch beschreibt FIML als den empfohlenen Ansatz gegenüber Ad-hoc-Verfahren wie listenweisem oder paarweisem Fallausschluss oder einfacher Mittelwertimputation.

Wie FIML funktioniert

FIML ersetzt fehlende Werte nicht durch Einzelwerte. Stattdessen schätzt es die Modellparameter auf Basis der Likelihood-Funktion, die für jeden Fall individuell aus seinen tatsächlich beobachteten Variablen berechnet wird. Ein Fall mit 10 vollständigen Variablen und 2 fehlenden trägt mit seinen 10 Variablen zur Schätzung bei – er wird nicht ausgeschlossen.

Formal maximiert FIML über alle Fälle die Gesamtlog-Likelihood:

Dabei bezeichnet die modellimplizierte Kovarianzmatrix und den modellimplizierten Mittelwertsvektor – jeweils für die beobachteten Variablen des Falls . Die Subskripte variieren fallweise, weshalb FIML auch mit unvollständigen Daten rechnen kann.

FIML in Amos aktivieren

Wenn Ihr Datensatz fehlende Werte enthält, aktiviert Amos FIML automatisch, sofern Sie die richtigen Einstellungen vorgenommen haben:

1. Öffnen Sie Ihr Modell in Amos Graphics.
2. Gehen Sie zu View → Analysis Properties (oder drücken Sie F8).
3. Wählen Sie den Reiter Estimation.
4. Stellen Sie sicher, dass Maximum Likelihood als Schätzmethode ausgewählt ist.
5. Wechseln Sie zum Reiter Random # – dort finden Sie keine weiteren Einstellungen für FIML, da es automatisch greift.
6. Wichtig: Im Reiter Output sollten Sie Means and intercepts aktivieren – ohne diese Option kann Amos kein FIML durchführen, weil Mittelwertstrukturen für die Schätzung benötigt werden.

Alternative Verfahren und ihre Schwächen

In der Praxis greifen Studierende häufig zu einfacheren Lösungen – die in vielen Situationen aber methodisch problematisch sind.

Listenweiser Ausschluss (Listwise Deletion)

Beim listenweisen Ausschluss werden alle Fälle mit mindestens einem fehlenden Wert vollständig aus der Analyse entfernt. Das ist einfach, hat aber gravierende Nachteile:

• Erheblicher Informationsverlust, besonders bei größeren Fehlenden-Anteilen
• Verzerrte Parameterschätzungen, wenn die Daten nicht MCAR sind
• Reduzierte statistische Power durch kleinere effektive Stichprobe

Eine Monte-Carlo-Simulation, die FIML, listenweisen Ausschluss, paarweisen Ausschluss und Similar Response Pattern Imputation über verschiedene Fehlenden-Raten und Stichprobengrößen verglich, zeigt eindeutig: FIML liefert unter MCAR- und MAR-Bedingungen durchgehend unverzerrte und effizientere Schätzungen als listenweiser Ausschluss – mit gleichzeitig niedrigeren Konvergenzproblemen. Das klingt zunächst wie eine Selbstverständlichkeit, hat aber praktische Konsequenzen: Bei typischen Abschlussarbeitsdatensätzen mit 5–15 % fehlenden Werten kann FIML den Unterschied zwischen einem konvergierenden und einem nicht-konvergierenden Modell ausmachen.

Einfache Mittelwertimputation

Fehlende Werte durch den Variablenmittelwert zu ersetzen, ist verlockend einfach – und methodisch fast immer falsch. Mittelwertimputation unterschätzt systematisch die Varianzen und Kovarianzen im Datensatz, was zu verzerrten Faktorladungen und Pfadkoeffizienten führt. Im SEM-Kontext ist diese Methode nicht empfehlenswert.

Paarweiser Ausschluss

Paarweiser Ausschluss berechnet jede Kovarianz aus allen Fällen, für die beide beteiligten Variablen vorhanden sind. Das klingt effizienter als listenweiser Ausschluss, führt aber dazu, dass die resultierende Kovarianzmatrix nicht positiv definit sein muss – was in Amos zu Schätzproblemen führen kann.

Multiple Imputation als Ergänzung zu FIML

Neben FIML ist Multiple Imputation (MI) ein weiteres modernes Verfahren, das methodisch solide ist. Bei MI werden fehlende Werte mehrfach – typischerweise 20–50 Mal – durch plausible Werte ersetzt, die aus der beobachteten Datenverteilung gezogen werden. Die Analysen werden auf jedem imputierten Datensatz separat durchgeführt, und die Ergebnisse werden nach Rubins Regeln zusammengeführt.

Für Amos hat MI allerdings einen praktischen Nachteil: Amos selbst bietet keine native Unterstützung für MI im SEM-Kontext. Sie müssten die Imputation in SPSS (über Analysieren → Fehlende Werte → Multiple Imputation) oder in R (mit dem Paket mice) durchführen und die Ergebnisse dann manuell aggregieren. Das ist aufwändiger als FIML und für die meisten Abschlussarbeiten nicht notwendig.

Wann ist MI dennoch sinnvoll? Wenn Sie zusätzliche Prädiktoren für die Imputation einbeziehen möchten, die nicht im Amos-Modell enthalten sind – etwa demografische Kontrollvariablen. MI erlaubt in diesem Fall eine informativer Imputation als FIML allein.

Schritt für Schritt: Fehlende Werte in Amos behandeln

Der folgende Workflow führt Sie strukturiert durch den gesamten Prozess – von der Diagnose bis zur Dokumentation.

Schritt 1: Fehlende Werte explorieren

Führen Sie zunächst eine Missing-Data-Analyse in SPSS durch:

• Analysieren → Fehlende Werte analysieren → Deskriptive Statistiken: Hier sehen Sie für jede Variable den Anteil fehlender Werte.
• Berechnen Sie den Little’s MCAR-Test: Analysieren → Fehlende Werte analysieren → Fälle mit fehlenden Werten schätzen.
• Prüfen Sie Muster: Fehlen Werte konzentriert bei bestimmten Variablen oder bestimmten Teilgruppen?

Schritt 2: Mechanismus bestimmen und begründen

Auf Basis der explorativen Analyse entscheiden Sie, welcher Mechanismus plausibelweise vorliegt:

• Little’s Test nicht signifikant → MCAR plausibel
• Fehlende Werte systematisch mit beobachtbaren Variablen assoziiert → MAR-Annahme argumentieren
• Fehlende Werte potenziell mit den fehlenden Werten selbst assoziiert (z.B. Extremwerte werden nicht beantwortet) → MNAR, Sensitivitätsanalyse erwägen

Schritt 3: FIML in Amos aktivieren

Öffnen Sie Ihr Amos-Modell und navigieren Sie zu View → Analysis Properties → Estimation. Wählen Sie Maximum Likelihood. Aktivieren Sie anschließend unter dem Reiter Output die Option Means and intercepts. Erst dann kann Amos FIML für unvollständige Datensätze anwenden.

Schritt 4: Analyse starten und Output prüfen

Starten Sie die Analyse wie gewohnt. Im Output prüfen Sie:

• Konvergierte die Schätzung? (Amos meldet Konvergenz oder Konvergenzprobleme explizit)
• Sind alle Faktorladungen und Pfadkoeffizienten plausibel?
• Welche Fit-Indizes werden ausgegeben? Wie interpretiert man CFI, RMSEA und SRMR? Eine ausführliche Erklärung finden Sie in unserem Beitrag Wie interpretiert man die Fit-Indizes in Amos.

Schritt 5: Sensitivitätsanalyse (optional, aber empfohlen)

Falls der Anteil fehlender Werte über 10 % liegt oder inhaltliche Zweifel am MAR-Mechanismus bestehen, führen Sie die Analyse zusätzlich mit listwise deletion durch und vergleichen Sie die Ergebnisse. Weichen die Schätzungen substanziell ab, sollten Sie das transparent berichten.

Was Sie im Methodenteil Ihrer Arbeit dokumentieren müssen

Ein häufig unterschätzter Punkt: Fehlende Werte müssen nicht nur methodisch korrekt behandelt, sondern auch sauber berichtet werden. Betreuer und Gutachter erwarten im Methodenteil eine explizite Auseinandersetzung mit diesem Thema.

Wie Sie SEM-Ergebnisse insgesamt korrekt und vollständig in Ihrer Abschlussarbeit berichten, erklärt unser Beitrag Wie berichtet man SEM-Ergebnisse in einer Abschlussarbeit?

Wer bei der Planung des gesamten Analyse-Workflows – von der Datenaufbereitung über die Modellspezifikation bis zur Ergebnisdarstellung – Unterstützung benötigt, findet bei der professionellen Begleitung für SPSS Amos-Auswertungen einen kompetenten Ansprechpartner. Gerade bei komplexeren Modellen mit fehlenden Werten zahlt sich eine frühe methodische Beratung aus.

Zur Vollständigkeit: Wenn Sie grundlegende Fragen zur Voraussetzungsprüfung für Ihr Strukturgleichungsmodell haben – etwa Multikollinearität, Normalverteilung oder Stichprobengröße – empfiehlt sich ein Blick in unseren Beitrag Welche Voraussetzungen müssen für ein SEM erfüllt sein?