Imputation fehlender Werte

Was versteht man unter Imputation fehlender Werte?

Imputation bezeichnet das gezielte Ersetzen fehlender Datenpunkte in einem Datensatz durch geschätzte oder berechnete Werte. Anstatt Beobachtungen mit fehlenden Angaben einfach aus der Analyse auszuschließen, wird versucht, die Lücken auf Basis vorhandener Informationen zu füllen.

Dabei unterscheidet man zunächst zwischen den drei grundlegenden Mechanismen, die erklären, warum Daten fehlen:

• MCAR (Missing Completely at Random): Das Fehlen ist rein zufällig und hängt weder von beobachteten noch von unbeobachteten Variablen ab.
• MAR (Missing at Random): Das Fehlen hängt von anderen beobachteten Variablen ab, nicht aber vom fehlenden Wert selbst.
• MNAR (Missing Not at Random): Das Fehlen hängt vom Wert selbst ab – etwa wenn Personen mit sehr hohem Einkommen diese Angabe gezielt verweigern.

Je nach Mechanismus eignen sich unterschiedliche Imputationsverfahren. Die gängigsten Methoden sind:

• Mittelwert– oder Medianimputation: Der fehlende Wert wird durch den Mittelwert bzw. Median der verfügbaren Werte ersetzt. Einfach, aber häufig ungenau.
• Regressionsimputation: Der fehlende Wert wird durch eine Regressionsgleichung auf Basis anderer Variablen geschätzt.
• Multiple Imputation (MI): Es werden mehrere vollständige Datensätze erzeugt, jeder einzeln ausgewertet und die Ergebnisse anschließend zusammengeführt (gepooled). Gilt als Goldstandard bei MAR.
• k-Nearest-Neighbour-Imputation (kNN): Fehlende Werte werden anhand der ähnlichsten Beobachtungen im Datensatz geschätzt.

Warum ist Imputation fehlender Werte für statistische Analysen wichtig?

Fehlende Werte sind in der Praxis fast unvermeidbar – ob durch Abbrüche in Befragungen, Messfehler oder unvollständige Datenbanken. Der Umgang damit hat erheblichen Einfluss auf die Qualität statistischer Ergebnisse.

Der einfachste Ansatz ist der sogenannte listenweise Ausschluss (Complete Case Analysis): Alle Beobachtungen mit mindestens einem fehlenden Wert werden aus der Analyse entfernt. Das ist unkompliziert, führt aber oft zu einem deutlichen Verlust an Stichprobengröße – und damit an statistischer Power. Außerdem können systematische Verzerrungen entstehen, wenn die Daten nicht MCAR sind.

Imputation löst dieses Problem, indem sie den vollständigen Datensatz erhält und systematische Ausfälle berücksichtigt. Besonders die Multiple Imputation liefert unter MAR-Annahme unverzerrte Schätzer und korrekte Standardfehler, da sie die Unsicherheit des Imputationsprozesses selbst abbildet.

Praxisbeispiel zu Imputation fehlender Werte

Eine Forscherin untersucht den Zusammenhang zwischen Schlafdauer und kognitiver Leistungsfähigkeit bei 150 Studierenden. Nach der Datenerhebung fehlen bei 18 Personen die Angaben zur Schlafdauer – sie haben diese Frage übersprungen.

Die Forscherin prüft zunächst den Fehlmechanismus und stellt fest, dass Personen mit höherer Prüfungsbelastung die Frage häufiger ausgelassen haben. Die Daten sind damit wahrscheinlich MAR, da das Fehlen mit einer anderen beobachteten Variable (Prüfungsbelastung) zusammenhängt.

Sie entscheidet sich für eine Multiple Imputation: Es werden fünf vollständige Datensätze erzeugt, in denen die fehlenden Schlafdauerwerte jeweils leicht unterschiedlich geschätzt werden – basierend auf Prüfungsbelastung, Alter und Studiengang. Anschließend wird die Regression in allen fünf Datensätzen separat berechnet und die Koeffizienten nach Rubin’s Rules zusammengeführt.

Das Ergebnis: Mit Multiple Imputation erhält die Forscherin einen unverzerrten Schätzer für den Zusammenhang zwischen Schlaf und kognitiver Leistung – und verliert keine Teilnehmenden aus der Analyse.