Wie geht man mit fehlenden Werten in SPSS um?
In diesem Beitrag
- Was sind fehlende Werte – und warum sind sie ein Problem?
- Die drei Mechanismen fehlender Daten: MCAR, MAR und MNAR
- Fehlende Werte in SPSS diagnostizieren
- Strategien im Überblick: Löschen, Ersetzen oder Imputieren?
- Multiple Imputation in SPSS durchführen
- Benutzerdefinierte fehlende Werte in SPSS definieren
- Praktische Empfehlungen für Abschlussarbeiten
Was sind fehlende Werte – und warum sind sie ein Problem?
Fehlende Werte entstehen, wenn für eine oder mehrere Variablen keine Angaben vorliegen – sei es, weil Teilnehmende eine Frage übersprungen haben, Messwerte nicht erhoben wurden oder Daten beim Import verloren gegangen sind. In SPSS werden solche Fälle standardmäßig als Systemfehlend (system missing) gekennzeichnet und in der Datensatzansicht durch einen Punkt dargestellt.
Das eigentliche Problem liegt nicht darin, dass Werte fehlen, sondern warum sie fehlen. Wenn das Muster der Missingness systematisch mit den eigentlichen Messwerten zusammenhängt, verzerren fehlende Werte Ihre Ergebnisse – egal welches Analyseverfahren Sie einsetzen. Eine sorgfältige Behandlung fehlender Werte gehört deshalb zu den zentralen Schritten der Datenbereinigung und -aufbereitung.
Die drei Mechanismen fehlender Daten: MCAR, MAR und MNAR
Bevor Sie in SPSS einen Menüpunkt aufrufen, müssen Sie den Mechanismus fehlender Daten einschätzen. Die Wahl der richtigen Strategie hängt maßgeblich davon ab. Missingness lässt sich in drei grundlegende Klassen einteilen, die unterschiedliche Konsequenzen für die Analyse haben:
| Mechanismus | Bedeutung | Beispiel | Konsequenz |
|---|---|---|---|
| MCAR Missing Completely at Random |
Fehlen ist unabhängig von allen Variablen | Fragebogen zufällig unleserlich | Listwise Deletion zulässig, aber Fallzahlverlust |
| MAR Missing at Random |
Fehlen hängt von beobachteten, nicht von fehlenden Werten ab | Ältere Teilnehmende überspringen häufiger Online-Items | Multiple Imputation empfohlen |
| MNAR Missing Not at Random |
Fehlen hängt von den fehlenden Werten selbst ab | Depressive Personen berichten seltener ihren Depressionswert | Sensitivitätsanalysen nötig, kein Standardverfahren ausreichend |
Für Studierende und Promovierende ist besonders wichtig: Listwise Deletion (paarweiser oder fallweiser Ausschluss) ist nur unter MCAR vertretbar und führt bei MAR oder MNAR zu systematisch verzerrten Schätzungen. In empirischen Abschlussarbeiten genügt es nicht, einfach „fehlende Fälle wurden ausgeschlossen“ zu schreiben – die Entscheidung muss methodisch begründet werden.
Fehlende Werte in SPSS diagnostizieren
SPSS bietet mit der Missing Value Analysis (MVA) ein eigenständiges Modul zur Untersuchung fehlender Werte. Sie finden es unter Analysieren → Fehlende Wertanalyse.
Was die Missing Value Analysis ausgibt
Die MVA liefert Ihnen unter anderem:
- Anzahl und prozentualer Anteil fehlender Werte pro Variable
- Mittelwert und Standardabweichung der beobachteten Werte
- Extreme Werte (hilft beim Erkennen von Codierungsfehlern)
- Schätzungen von Kovarianzen und Korrelationen über verschiedene Methoden (listenweiser Ausschluss, paarweiser Ausschluss, Regression, EM-Algorithmus)
Little’s MCAR-Test
Besonders nützlich ist Little’s MCAR-Test, den SPSS innerhalb der MVA berechnet. Er prüft die Nullhypothese, dass die Daten vollständig zufällig fehlen (MCAR). SPSS berechnet Little’s MCAR-Test innerhalb der Missing Value Analysis und gibt einen Chi-Quadrat-Wert mit zugehörigem Signifikanzwert aus.
Little’s MCAR-Test – Teststatistik
Ist der Test nicht signifikant (p > .05), spricht das für MCAR – ein fallweiser Ausschluss wäre dann prinzipiell vertretbar. Ist er signifikant (p < .05), liegt MAR oder MNAR vor, und Sie sollten auf Multiple Imputation oder andere robustere Verfahren zurückgreifen.
Strategien im Überblick: Löschen, Ersetzen oder Imputieren?
Es gibt mehrere Strategien, mit fehlenden Werten umzugehen. Welche die richtige ist, hängt vom Missingness-Mechanismus, der Fehlendquote und dem Analyseziel ab.
1. Listwise Deletion (fallweiser Ausschluss)
Alle Fälle mit mindestens einem fehlenden Wert werden von der Analyse ausgeschlossen. SPSS wendet dies bei den meisten Prozeduren standardmäßig an. Vorteil: Einfach und transparent. Nachteil: Erheblicher Fallzahlverlust; bei MAR verzerrte Ergebnisse.
2. Pairwise Deletion (paarweiser Ausschluss)
Für jede berechnete Statistik werden nur die Fälle ausgeschlossen, bei denen die jeweils benötigten Variablen fehlen. Führt zu unterschiedlichen Stichprobengrößen je nach Berechnung – was Korrelationsmatrizen inkonsistent machen kann.
3. Mittelwertsubstitution
Fehlende Werte werden durch den Variablenmittelwert ersetzt. In SPSS über Transformieren → Fehlende Werte ersetzen möglich. Achtung: Diese Methode unterschätzt die Varianz und verzerrt Zusammenhänge – sie ist für inferenzstatistische Analysen nur in Ausnahmefällen geeignet.
4. Multiple Imputation
Gilt als methodisch überlegen gegenüber einfacher Substitution, weil die Unsicherheit über fehlende Werte explizit modelliert wird: Es werden mehrere plausible vollständige Datensätze erzeugt, auf jedem Datensatz wird die Analyse durchgeführt, und die Ergebnisse werden anschließend gepoolt. SPSS unterstützt diesen Ansatz direkt über das Menü.
| Strategie | MCAR | MAR | MNAR | Empfehlung |
|---|---|---|---|---|
| Listwise Deletion | ✓ vertretbar | ✗ verzerrt | ✗ verzerrt | Nur bei MCAR und geringer Fehlendquote |
| Mittelwertsubstitution | Bedingt | ✗ | ✗ | Nicht für inferenzstatistische Analysen |
| Multiple Imputation | ✓ | ✓ | Bedingt | Standardmethode bei > 5 % Fehlendanteil |
| Sensitivitätsanalyse | Optional | Optional | ✓ nötig | Immer bei MNAR-Verdacht |
Multiple Imputation in SPSS durchführen
Die Multiple Imputation in SPSS gliedert sich in drei Phasen: Imputation, Analyse und Pooling. SPSS übernimmt dabei den gesamten Workflow über zwei Prozeduren.
Schritt 1: Imputation durchführen
Navigieren Sie zu Analysieren → Fehlende Wertanalyse → Multiple Imputation → Werte imputieren. Im Dialog wählen Sie:
- Anzahl der imputierten Datensätze: In der Regel 5–20. Je höher die Fehlendquote, desto mehr Datensätze sind empfehlenswert.
- Methode: Vollständig bedingte Spezifikation (Fully Conditional Specification, FCS) oder Multivariate Normal. FCS ist flexibler und für gemischte Skalenniveaus geeignet.
- Variablen: Alle Variablen, die in der späteren Analyse verwendet werden, sollten in das Imputationsmodell aufgenommen werden – auch Hilfsvaribalen, die die Missingness erklären könnten.
SPSS erstellt daraufhin einen neuen gestapelten Datensatz mit einer zusätzlichen Variable Imputation_, die anzeigt, zu welchem imputierten Datensatz ein Fall gehört (0 = Originaldaten, 1–m = imputierte Datensätze).
Schritt 2: Analyse auf imputierten Datensätzen
Führen Sie Ihre gewünschten Analysen (z. B. Regression, t-Test, ANOVA) wie gewohnt über die SPSS-Menüs aus. SPSS erkennt automatisch, dass ein gestapelter Datensatz vorliegt, und berechnet die Analyse für jeden imputierten Datensatz separat.
Schritt 3: Pooling nach Rubin’s Rules
SPSS pooled die Ergebnisse aus den einzelnen imputierten Datensätzen automatisch nach Rubin’s Rules. In den Ausgabetabellen finden Sie dann gepoolte Parameterschätzungen, Standardfehler und Signifikanzwerte.
Rubin’s Pooling – Parameterschätzung
Dabei ist die gepoolte Schätzung über alle imputierten Datensätze. Die Gesamtvarianz setzt sich aus Within-Imputation-Varianz und Between-Imputation-Varianz zusammen – letztere spiegelt die Unsicherheit durch das Fehlen der Werte wider.
Wenn Sie unsicher sind, ob Multiple Imputation für Ihre Datenstruktur geeignet ist, oder wenn Sie diesen Schritt professionell begleiten lassen möchten, bietet eine spezialisierte Datenbereinigung in der Statistik die nötige methodische Unterstützung.
Benutzerdefinierte fehlende Werte in SPSS definieren
Ein häufig übersehener Schritt: Wenn in Ihrer Umfrage bestimmte Codes verwendet wurden – etwa „99″ für „weiß nicht“, „0″ für „keine Angabe“ oder „-1″ für „nicht anwendbar“ –, müssen diese in SPSS als benutzerdefinierte fehlende Werte deklariert werden. Andernfalls behandelt SPSS diese Werte als gültige Messungen und bezieht sie in Berechnungen ein, was zu gravierend falschen Ergebnissen führt.
Benutzerdefinierte fehlende Werte festlegen
- Wechseln Sie in die Variablenansicht (unterer Reiter im Datenfenster).
- Klicken Sie in der Zeile der betreffenden Variable auf die Zelle in der Spalte Fehlend.
- Es öffnet sich ein Dialog. Wählen Sie Diskrete fehlende Werte und tragen Sie den entsprechenden Code ein (z. B. 99).
- Bestätigen Sie mit OK.
SPSS markiert diesen Code fortan als benutzerdefiniert fehlend und schließt ihn aus Berechnungen aus. In der Datenansicht erscheinen diese Werte weiterhin mit ihrem numerischen Code, werden aber intern wie fehlende Werte behandelt.
Das korrekte Definieren solcher Codes ist ein grundlegender Bestandteil der Datenaufbereitung – ausführliche Hinweise dazu finden Sie im Beitrag Wie bereitet man Daten für die statistische Analyse auf?
Praktische Empfehlungen für Abschlussarbeiten
Zusammenfassend empfiehlt sich für Studierende und Promovierende der folgende Arbeitsablauf beim Umgang mit fehlenden Werten in SPSS:
Checkliste: Fehlende Werte in SPSS
- Benutzerdefinierte fehlende Werte (z. B. 99, -1) in der Variablenansicht deklarieren
- Fehlendanteile pro Variable mit der Missing Value Analysis prüfen
- Little’s MCAR-Test durchführen und Ergebnis berichten
- Missingness-Mechanismus einschätzen (MCAR, MAR oder MNAR)
- Strategie wählen und methodisch begründen (Löschen, Imputation, Sensitivitätsanalyse)
- Bei > 5 % Fehlendanteil: Multiple Imputation über Analysieren → Multiple Imputation
- Gepoolte Ergebnisse berichten und auf die Anzahl der imputierten Datensätze hinweisen
- Vorgehen im Methodenteil der Arbeit transparent dokumentieren
Wie viele imputierte Datensätze Sie benötigen, hängt vom Fehlendanteil ab. Als Faustregel gilt: Die Anzahl der imputierten Datensätze sollte mindestens dem prozentualen Anteil fehlender Werte entsprechen – bei 10 % Fehlenden also mindestens 10 Datensätze. SPSS empfiehlt im Allgemeinen, Multiple Imputation gegenüber einfacher Substitution zu bevorzugen, da sie die Unsicherheit über fehlende Informationen realistischer abbildet.
Fehlende Werte sind nur eines von mehreren Qualitätsproblemen, die bei der Datenaufbereitung auftreten können. Auch Ausreißer im Datensatz oder Verstöße gegen Verteilungsannahmen – etwa beim Prüfen der Normalverteilung – müssen vor der eigentlichen Analyse adressiert werden. Was genau zur Datenbereinigung gehört und welche Fehler dabei besonders häufig passieren, erfahren Sie in den weiterführenden Beiträgen dieses Clusters.
Wenn Sie möchten, dass dieser Schritt professionell begleitet wird, unterstützt QuantExpert Sie von der Diagnose fehlender Werte bis zur abschlussfertigen Dokumentation – methodisch fundiert und auf die Anforderungen Ihrer Hochschule abgestimmt. Mehr dazu auf der Seite zur professionellen Datenbereinigung.
