Suchergebnisse

"Die multiple Imputation ist ein Verfahren zum Umgang mit fehlenden Werten bei der Datenanalyse, also dann, wenn die fehlenden Werte bereits entstanden sind. Unter multipler Imputation wird die Ergänzung (Imputation) fehlender Werte durch mehrere (multiple) 'plausible' Werte unter einem für die Daten geeigneten Modell verstanden. Multiple Imputationen können als eine Abfolge von drei Schritten dargestellt werden: Im Imputationsschritt werden für jeden fehlenden Wert D>1 Werte generiert und damit D>1 vervollständigte Datensätze erstellt, die keine fehlenden Werte mehr enthalten. Im Analyseschritt werden die D vervollständigten Datensätze getrennt mit Verfahren zur Analyse kompletter Daten ausgewertet. Im Integrationsschritt werden die Ergebnisse der D Einzelanalysen zu einer gemeinsamen Schätzung (Punktschätzer und Standardfehler) kombiniert. Der theoretisch und rechentechnisch anspruchsvollste Schritt ist die Erzeugung korrekter Imputationen. Wichtig ist, dass es sich bei den ergänzten Werten nicht um ad hoc, beliebig oder willkürliche eingesetzte Werte handelt, sondern um Werte, die unter einem spezifizierten Modell für die Daten auf Basis der beobachteten Werte wahrscheinlich sind. Multiple Imputationen sind dem listenweisen Ausschluss von fehlenden Werten (Listwise Deletion) überlegen, weil letzterer eine restriktivere Annahme über die fehlenden Werte trifft." (Autorenreferat)

"Die multiple Imputation ist ein Verfahren zum Umgang mit fehlenden Werten bei der Datenanalyse, also dann, wenn die fehlenden Werte bereits entstanden sind. Unter multipler Imputation wird die Ergänzung (Imputation) fehlender Werte durch mehrere (multiple) 'plausible' Werte unter einem für die Daten geeigneten Modell verstanden. Multiple Imputationen können als eine Abfolge von drei Schritten dargestellt werden. Im Imputationsschritt werden für jeden fehlenden Wert D>l Werte generiert und damit D>l vervollständigte Datensätze erstellt, die keine fehlenden Werte mehr enthalten. Im Analyseschritt werden die D vervollständigten Datensätze getrennt mit Verfahren zur Analyse kompletter Daten ausgewertet. Im Integrationsschritt werden die Ergebnisse der D Einzelanalysen zu einer gemeinsamen Schätzung (Punktschätzer und Standardfehler) kombiniert. Der theoretisch und rechentechnisch anspruchsvollste Schritt ist die Erzeugung korrekter Imputationen. Wichtig ist, dass es sich bei den ergänzten Werten nicht um ad hoc, beliebig oder willkürliche eingesetzte Werte handelt, sondern um Werte, die unter einem spezifizierten Modell für die Daten auf Basis der beobachteten Werte wahrscheinlich sind. Multiple Imputationen sind dem listenweisen Ausschluss von fehlenden Werten (Listwise Deletion) überlegen, weil letzterer eine restriktivere Annahme über die fehlenden Werte trifft." (Autorenreferat, IAB-Doku)

Dieser SISS-Beitrag zeigt, wie mit SPSS eine multiple Regressionsanalyse durchgeführt werden kann, wenn einzelne Variablen des analysierten Datensatzes fehlende Werte (missing values) aufweisen. Es wird erläutert, in welcher Weise das Ausmaß und die Relevanz fehlender Werte ermittelt werden sollte, wann ein listenweiser Ausschluss von Fällen mit fehlenden Werten in einer Regressionsanalyse möglich ist, und unter welchen Bedingungen und in welcher Weise (mit welchen Vor- und Nachteilen) in SPSS das Verfahren der stochastischen Regressionsimputation (sRI) oder der Multiplen Imputation (MI) einzusetzen ist. Die Darstellung ist praxisorientiert. Der Text enthält für alle beschriebenen statistischen Verfahren die entsprechenden SPSS-Steueranweisungen (SPSS-Syntaxfiles).

AbstractImputing missing values is an important preprocessing step in data analysis, but the literature offers little guidance on how to choose between imputation models. This letter suggests adopting the imputation model that generates a density of imputed values most similar to those of the observed values for an incomplete variable after balancing all other covariates. We recommend stable balancing weights as a practical approach to balance covariates whose distribution is expected to differ if the values are not missing completely at random. After balancing, discrepancy statistics can be used to compare the density of imputed and observed values. We illustrate the application of the suggested approach using simulated and real-world survey data from the American National Election Study, comparing popular imputation approaches including random forests, hot-deck, predictive mean matching, and multivariate normal imputation. An R package implementing the suggested approach accompanies this letter.

Microsimulation has gained attention for its use in analyzing and forecasting the individual impacts of alternative economic and social policy measures. In practice, however, microsimulation cannot be carried out from a single data source, since it requires far more information than any single data source can provide. This paper discusses ways to combine separate data sources when there are no identical key variables, using imputation techniques, to make a large but synthetic data source for microsimulation. A new approach based on propensity score matching is suggested and discussed.

Bayesian multiple imputation (MI) has become a highly useful paradigm for handling missing values in many settings. In this paper, I compare Bayesian MI with other methods – maximum likelihood, in particular—and point out some of its unique features. One key aspect of MI, the separation of the imputation phase from the analysis phase, can be advantageous in settings where the models underlying the two phases do not agree.

The article presents the basics of imputation methodology (including the methodology of multiple imputation), focusing on understanding its mathematical background. We analyze the situation when observations in the original sample are independent random variables with identical distributions, and response or its lack is modeled by a random mechanism which is independent of observations. In particular, we point out to problems that arise when the standard Rubin estimate of the multiple imputation variance estimator is used. A possible improvement of this popular estimator is indicated. The starting point of the analysis is when the appearance of response deficiencies is caused by a deterministic mechanism.

1. Introduction 2. Multiple imputation 3. Univariate missing data 4. Multivariate missing data 5. Analysis of imputed data 6. Imputation in practice 7. Multilevel multiple imputation 8. Individual Causal Effects 9. Measurement issues 10. Selection issues 11. Longitudinal data 12. Conclusion

Survey data often includes missing values. An approach to deal with missing values is imputation in order to obtain a complete dataset. However, the process of imputation requires researchers to make various decisions regarding the imputation method to be applied, the number of values to be imputed for each missing value, the selection of predictor variables, the treatment of multivariate nonresponse and the conduct of variance estimation. This survey guideline provides an overview of imputation procedures for missing values. It aims to support the reader with respect to aforementioned decisions when imputing missing values in survey data.