Fehlende Werte

Was versteht man unter fehlenden Werten?

Fehlende Werte bezeichnen Beobachtungen in einem Datensatz, für die keine Messung oder Information vorliegt. In der Praxis erscheinen sie häufig als leere Zellen in einer Tabelle, als NA in R oder als NaN bzw. leere Felder in anderen Analyseumgebungen.

In der Statistik unterscheidet man drei grundlegende Mechanismen, die erklären, warum Werte fehlen:

• MCAR – Missing Completely at Random: Das Fehlen eines Wertes ist vollständig zufällig und hängt weder mit der fehlenden Variable selbst noch mit anderen Variablen im Datensatz zusammen. Beispiel: Ein Fragebogen geht auf dem Postweg verloren.
• MAR – Missing at Random: Das Fehlen hängt von anderen, beobachteten Variablen ab, nicht aber vom eigentlichen Wert der fehlenden Variable selbst. Beispiel: Ältere Befragte lassen eine bestimmte Frage häufiger aus, aber das Alter ist im Datensatz bekannt.
• MNAR – Missing Not at Random: Das Fehlen hängt vom Wert der Variable selbst ab. Beispiel: Personen mit sehr hohem Einkommen geben dieses seltener an. Dieser Mechanismus ist am problematischsten.

Warum sind fehlende Werte für statistische Analysen wichtig?

Fehlende Werte sind in der Forschungspraxis äußerst häufig und können, wenn sie ignoriert werden, zu verzerrten Ergebnissen und falschen Schlussfolgerungen führen. Die meisten Analyseverfahren – etwa Regressionen oder Mittelwertvergleiche – können von Natur aus nicht mit fehlenden Werten umgehen und schließen betroffene Fälle automatisch aus. Dieser Ausschluss wird als listwise deletion (vollständiger Fallausschluss) bezeichnet.

Das Problem dabei: Wenn fehlende Werte nicht zufällig auftreten (also MAR oder MNAR vorliegen), ist die verbleibende Stichprobe möglicherweise nicht mehr repräsentativ. Schätzwerte wie Mittelwerte oder Regressionskoeffizienten können systematisch verzerrt sein.

Es gibt verschiedene Strategien im Umgang mit fehlenden Werten:

• Vollständiger Fallausschluss (listwise deletion): Einfach, aber oft problematisch – empfehlenswert nur bei MCAR und wenigen fehlenden Werten.
• Einfache Imputation: Ersetzen des fehlenden Wertes durch den Mittelwert, Median oder Modus. Schnell, aber unterschätzt die Streuung im Datensatz.
• Multiple Imputation: Mehrfaches Ersetzen fehlender Werte basierend auf einem statistischen Modell, anschließend werden die Analysen zusammengeführt. Gilt als Goldstandard bei MAR.
• Maximum-Likelihood-Schätzung (FIML): Nutzt alle verfügbaren Informationen direkt im Schätzmodell, ohne Werte zu ersetzen. Ebenfalls empfehlenswert bei MAR.

Praxisbeispiel zu fehlenden Werten

Angenommen, du untersuchst in deiner Masterarbeit den Zusammenhang zwischen Schlafqualität und Stresslevel bei Studierenden. Du erhebst die Daten per Online-Fragebogen. Von 200 Teilnehmenden lassen 30 die Frage zum Stresslevel aus – möglicherweise, weil sie sich besonders gestresst fühlen und die Frage unangenehm ist (MNAR).

Wenn du diese 30 Personen einfach aus der Analyse ausschließt, untersuchst du nur noch die 170 Personen mit niedrigerem oder mittlerem Stresslevel. Der tatsächliche Zusammenhang zwischen Schlaf und Stress in deiner Stichprobe wird dadurch unterschätzt – deine Ergebnisse sind verzerrt.

Der erste Schritt im Umgang mit fehlenden Werten sollte daher immer eine sorgfältige Analyse sein: Wie viele Werte fehlen? Bei welchen Variablen? Gibt es ein Muster? Erst dann lässt sich eine fundierte Entscheidung über die richtige Strategie treffen.