Missing Not at Random

Was versteht man unter Missing Not at Random?

Missing Not at Random (MNAR) bezeichnet ein Fehlendmuster in Datensätzen, bei dem die Wahrscheinlichkeit, dass ein Wert fehlt, vom Wert selbst abhängt – also von der nicht beobachteten Information. MNAR ist der problematischste der drei klassischen Fehlendmechanismen, die ursprünglich von Donald Rubin (1976) beschrieben wurden:

• MCAR (Missing Completely at Random): Fehlende Werte sind völlig unabhängig von allen Variablen.
• MAR (Missing at Random): Das Fehlen hängt von anderen beobachteten Variablen ab, nicht vom fehlenden Wert selbst.
• MNAR (Missing Not at Random): Das Fehlen hängt direkt vom fehlenden Wert ab.

Formal lässt sich MNAR so beschreiben: Die Wahrscheinlichkeit, dass ein Wert Y fehlt, ist eine Funktion von Y selbst – auch nachdem alle beobachteten Variablen berücksichtigt wurden. Das Fehlen lässt sich also nicht allein durch die vorhandenen Daten erklären.

Warum ist Missing Not at Random für statistische Analysen wichtig?

MNAR ist deshalb so kritisch, weil keine der üblichen Standardmethoden zur Behandlung fehlender Werte das Problem vollständig lösen kann. Bei MCAR oder MAR liefern Techniken wie multiple Imputation oder Full Information Maximum Likelihood (FIML) unter bestimmten Annahmen unverzerrte Schätzer. Bei MNAR gelten diese Annahmen nicht mehr – die verbleibenden Daten sind systematisch verzerrt, und das Muster des Fehlens enthält selbst Information, die du nicht siehst.

Konkret bedeutet das: Wenn du MNAR einfach ignorierst und Fälle listenweise ausschließt oder Mittelwerte imputierst, entstehen verzerrte Schätzer (Bias). Deine Stichprobe repräsentiert dann nicht mehr die Grundgesamtheit, und Schlussfolgerungen können systematisch falsch sein.

Es gibt spezialisierte Modelle für MNAR-Situationen, zum Beispiel Selection Models oder Pattern Mixture Models. Diese erfordern jedoch zusätzliche, nicht überprüfbare Annahmen über den Fehlendmechanismus und sind methodisch anspruchsvoll. In der Praxis empfiehlt sich außerdem eine Sensitivitätsanalyse: Du analysierst deine Daten unter verschiedenen plausiblen MNAR-Szenarien und prüfst, wie stabil deine Ergebnisse bleiben.

Praxisbeispiel zu Missing Not at Random

Eine Forscherin untersucht im Rahmen einer klinischen Studie die Wirksamkeit einer Therapie bei Depressionen. Sie misst den Schweregrad der Symptome zu mehreren Zeitpunkten. Im Verlauf der Studie brechen einige Teilnehmende die Befragung ab und geben keine weiteren Antworten.

Die entscheidende Frage lautet: Warum fehlen diese Werte? Wenn Personen mit besonders starken Depressionssymptomen häufiger aussteigen – weil sie sich zu schlecht fühlen, um weiterzumachen –, dann hängt das Fehlen direkt vom nicht beobachteten Symptomwert ab. Das ist ein klassischer MNAR-Fall.

Wenn die Forscherin in diesem Szenario einfach nur die vollständigen Fälle analysiert, unterschätzt sie systematisch den Schweregrad der Depression in ihrer Stichprobe. Eine Sensitivitätsanalyse – etwa unter der Annahme, dass Aussteiger im Durchschnitt höhere Symptomwerte gehabt hätten – würde zeigen, wie robust ihre Schlussfolgerungen gegenüber verschiedenen MNAR-Szenarien sind.