Little’s MCAR-Test
In diesem Beitrag
Was versteht man unter Little’s MCAR-Test?
Little’s MCAR-Test ist ein statistischer Hypothesentest, der prüft, ob fehlende Werte in einem Datensatz vollständig zufällig fehlen – auf Englisch: Missing Completely at Random (MCAR). Das Konzept geht auf Roderick J. A. Little zurück, der den Test 1988 publizierte.
Fehlende Werte lassen sich grundsätzlich in drei Mechanismen einteilen:
- MCAR (Missing Completely at Random): Das Fehlen eines Wertes ist völlig unabhängig von allen anderen Variablen im Datensatz – sowohl von den beobachteten als auch von den fehlenden Werten selbst.
- MAR (Missing at Random): Das Fehlen hängt von beobachteten Variablen ab, nicht aber von den fehlenden Werten selbst.
- MNAR (Missing Not at Random): Das Fehlen hängt vom fehlenden Wert selbst ab – die Daten fehlen also systematisch.
Der Test von Little basiert auf einem Chi-Quadrat-Test. Vereinfacht gesprochen werden die beobachteten Mittelwerte in verschiedenen Mustern fehlender Daten mit den unter MCAR erwarteten Mittelwerten verglichen. Die Teststatistik folgt einer Chi-Quadrat-Verteilung:
Teststatistik
Dabei bezeichnet die Anzahl der Beobachtungen im Fehlendmuster , den Mittelwertvektor in diesem Muster und den erwarteten Mittelwertvektor unter MCAR. Die Prüfung erfolgt gegen die Nullhypothese, dass die Daten MCAR sind.
Warum ist Little’s MCAR-Test für statistische Analysen wichtig?
Die Art des Fehlendmechanismus hat erhebliche Auswirkungen darauf, welche Methode zur Behandlung fehlender Werte angemessen ist. Little’s MCAR-Test liefert einen formalen Ansatzpunkt für diese Entscheidung:
- Kann MCAR nicht abgelehnt werden (p > .05), ist ein listenweiser oder fallweiser Ausschluss unter Umständen vertretbar, da die verbleibenden Fälle eine unverzerrte Stichprobe darstellen.
- Wird MCAR abgelehnt (p ≤ .05), sollten leistungsfähigere Verfahren wie Multiple Imputation oder Maximum-Likelihood-Schätzung eingesetzt werden, um systematische Verzerrungen zu vermeiden.
mcar_test() und in Python über das Paket pyampute. Praxisbeispiel zu Little’s MCAR-Test
Eine Forscherin untersucht den Zusammenhang zwischen Schlafdauer, Stresslevel und akademischer Leistung bei 150 Studierenden. Im Datensatz fehlen bei 23 Personen Angaben zum Stresslevel. Sie möchte wissen, ob sie diese Fälle einfach ausschließen darf, ohne ihre Ergebnisse zu verzerren.
Sie führt Little’s MCAR-Test durch und erhält folgendes Ergebnis:
| Chi-Quadrat | df | p-Wert |
|---|---|---|
| 18.74 | 12 | .096 |
Da der p-Wert mit .096 über dem üblichen Signifikanzniveau von .05 liegt, kann die Nullhypothese (MCAR) nicht abgelehnt werden. Die Forscherin hat damit einen formalen Hinweis darauf, dass die fehlenden Stresswerte nicht systematisch mit anderen Variablen zusammenhängen. Ein listenweiser Ausschluss wäre in diesem Fall methodisch vertretbar – sie sollte aber dennoch erwägen, eine Multiple Imputation durchzuführen, um die statistische Teststärke zu erhalten und auf der sicheren Seite zu bleiben.
