PWA

Die Wahrscheinlichkeit, dass Daten fehlen, hängen (auch) von nicht beobachteten (=nicht im statistischen Modell) Daten ab.

In diesem Fall sind die Ergebnisse der Inferenzstatistischen Analyse verzerrt.

verwendet nur vollständige Datensätze

ersetzt fehlende Werte durch Schätzungen aus den vorhandenen Werten (Imputation):

- LOCF

- Mittelwerte

- Regressionsmodell

Statistische Modelle, die alle vorhandenen Daten nutzen, aber fehlende Daten nicht ersetzen (Maxumu - Likelihood - Schätzungen)

Das Vorgehen ist nur bei MCAR Daten korrekt. Jedoch kommt es dabei zu einer Reduktion der statistischen Power durch Reduktion der Stichprobengröße.

In Zeitreihen werden fehlende Werte durch den letzten zuvor gemessenen Messwert erstzt.

Diese Methode führt bei allen Arten von Prozessen von fehlenden Werten zu Verzerrungen, wenn man davon ausgehen muss, dass es zu zeitlichen Veränderungen kommt.

Diese Variante wird meist verwendet wenn einzelne Items einer Skala nicht ausgefüllt werden.

Berechnet den Skalenwert aus dem Mittelwert der vorhandenen Items.

In Zeitreihen wird fehlende Wert (wenn möglich) durch den Mittelwert der vorangegangenen und nachherigen Messung ersetzt.

Hierbei wird anhand des Datensatzes für jede Variable das beste Regressionsmodell zur Schätzung der fehlenden Variablen ermittelt.

Darf davon ausgehen, dass das Vorgehen bei MCAR und MAR Daten keine systematischen Verzerrungen bewirkt.