Statistik-Glossar

Missing at Random

MAR · Zufällig fehlende Werte · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Missing at Random?
Warum ist Missing at Random wichtig?
Praxisbeispiel

Was versteht man unter Missing at Random?

Missing at Random (MAR) ist eines von drei klassischen Fehlwertmechanismen, die von Rubin (1976) eingeführt wurden. MAR liegt vor, wenn die Wahrscheinlichkeit, dass ein Wert fehlt, nicht vom fehlenden Wert selbst abhängt, aber von anderen beobachteten Variablen im Datensatz abhängen darf.

Formal ausgedrückt: Sei $R$ eine Fehlwert-Indikatorvariable (1 = Wert fehlt, 0 = Wert vorhanden) und $Y$ die Variable mit fehlenden Werten, die sich aufteilt in beobachtete Werte $Y_{\text{obs}}$ und fehlende Werte $Y_{\text{mis}}$ . Zusätzlich sei $X$ die Menge aller übrigen beobachteten Variablen. MAR bedeutet dann:

MAR-Bedingung

$P(R = 1 \mid Y_{\text{obs}},\, Y_{\text{mis}},\, X) = P(R = 1 \mid X)$

Die Fehlwahrscheinlichkeit hängt also von $X$ ab, aber – gegeben $X$ – nicht mehr von $Y_{\text{mis}}$ . Das unterscheidet MAR von Missing Not at Random (MNAR), wo der fehlende Wert selbst die Fehlwahrscheinlichkeit beeinflusst, und von Missing Completely at Random (MCAR), wo das Fehlen völlig unabhängig von allen Variablen ist.

Einfach erklärt Stell dir vor, du fragst Studierende nach ihrem Stresslevel. Ältere Studierende lassen die Frage häufiger aus – aber nicht weil ihr Stresslevel besonders hoch oder niedrig ist, sondern einfach weil sie älter sind. Das Alter ist beobachtet, der fehlende Stresswert selbst spielt keine Rolle. Das ist MAR: Das Fehlen lässt sich durch andere Variablen erklären, die du bereits kennst.

Warum ist Missing at Random für statistische Analysen wichtig?

Der Fehlwertmechanismus bestimmt, welche Methoden zur Behandlung fehlender Werte zulässig und valide sind. Das ist entscheidend, weil falsch behandelte Fehlwerte zu verzerrten Schätzungen, zu schmalen Konfidenzintervallen und falschen Schlussfolgerungen führen können.

Unter MAR sind zwei weit verbreitete Methoden statistisch gerechtfertigt:

Multiple Imputation (MI): Fehlende Werte werden mehrfach auf Basis der beobachteten Variablen geschätzt, wodurch die Unsicherheit im Schätzprozess korrekt abgebildet wird.
Full Information Maximum Likelihood (FIML): Das Modell nutzt alle verfügbaren Informationen und schätzt Parameter direkt, ohne fehlende Werte zu ersetzen.

Einfache Methoden wie der listenweise Fallausschluss (complete case analysis) sind unter MAR dagegen problematisch: Sie führen zu einer systematisch verzerrten Stichprobe und einem unnötigen Verlust statistischer Power.

Häufiger Fehler MAR klingt nach „zufällig“ – ist es aber nicht vollständig. Das Fehlen ist nur bedingt zufällig, nämlich gegeben die beobachteten Variablen. Viele verwechseln MAR mit MCAR (vollständig zufällig fehlend) und unterschätzen dadurch, wie wichtig es ist, relevante Kovariaten in das Imputationsmodell aufzunehmen.

Gut zu wissen Der MAR-Mechanismus lässt sich nicht direkt aus den Daten beweisen – fehlende Werte kann man per Definition nicht beobachten. MAR bleibt deshalb immer eine inhaltliche Annahme, die theoretisch begründet werden muss. In der Praxis gilt MAR oft als plausibler Kompromiss zwischen dem unrealistischen MCAR und dem schwer handhabbaren MNAR.

Praxisbeispiel zu Missing at Random

Eine Forscherin untersucht den Zusammenhang zwischen Schlafqualität und akademischer Leistung bei Studierenden. Ein Teil der Befragten hat die Frage zur Schlafqualität nicht beantwortet.

Bei genauerer Betrachtung zeigt sich: Studierende im höheren Semester lassen diese Frage deutlich häufiger aus – vermutlich wegen größerer Zeitknappheit. Das Studiensemester ist eine beobachtete Variable im Datensatz.

Tabelle 1. Fehlwertanteil bei Schlafqualität nach Studiensemester
Studiensemester	N gesamt	Fehlende Werte (Schlaf)	Fehlwertanteil
1.–2. Semester	120	8	6,7 %
3.–4. Semester	110	18	16,4 %
5. Semester und höher	95	31	32,6 %

Das Muster legt MAR nahe: Die Fehlwahrscheinlichkeit steigt mit dem Semester, aber es gibt keinen Hinweis darauf, dass ausgerechnet Studierende mit besonders schlechter oder guter Schlafqualität die Frage auslassen. Die Forscherin kann daher eine Multiple Imputation durchführen, die das Studiensemester als Prädiktorvariable einschließt – und erhält so valide, unverzerrte Schätzungen für ihre Analyse.