Zusammenfassung
Ein weit verbreitetes Problem in Umfragen besteht darin, dass die erhobenen Daten nicht immer komplett vorliegen. Nimmt eine Person an einer Befragung teil, beantwortet dabei jedoch nicht alle Fragen mit einer substanziellen Antwort, so spricht man von Item Nonresponse oder schlicht von fehlenden Werten. Aussagen über das zu messende Untersuchungsobjekt sind dann nicht zweifelsfrei möglich. Die Analyse von Umfragedaten ohne die Berücksichtigung von fehlenden Werten kann zu systematischen Verzerrungen der untersuchten (Sub-)Stichprobe und somit zu verzerrten Ergebnissen führen. Bei der Datenanalyse sollten daher zunächst das Ausmaß sowie die Ursachen für fehlende Werte untersucht werden. Zudem sollten entsprechende Methoden (etwa Ersetzungsverfahren) angewendet werden, um möglichen Problemen angemessen zu begegnen. Der Beitrag stellt verschiedene Möglichkeiten vor, wie bei der Analyse von Befragungsdaten mit Item Nonresponse umgegangen werden kann, und diskutiert deren Vor- sowie Nachteile.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Im Gegensatz dazu wird der Begriff Unit Nonresponse verwendet, wenn der Datenerhebungsprozess erst gar nicht stattfindet, da Befragte das Interview verweigern oder nicht kontaktiert werden können. Hierauf wird im Folgenden nicht weiter eingegangen (zur Unterscheidung von Unit und Item Nonresponse siehe u. a. Schnell 1997, S. 17; Sherman 2000, S. 362–374; Dillman et al. 2002; Groves et al. 2004, S. 169–196). Darüber hinaus sind weitere Spezialformen der Nichtantwort wie etwa „wave nonresponse“ oder „dropouts“ in Längsschnittuntersuchungen zu unterscheiden. Hiermit eng verbunden sind Arbeiten zur Problematik der Panelmortalität in Längsschnittuntersuchungen, auf die hier nur verwiesen werden soll (Waterton und Lievesley 1987; Rendtel 1995; Fitzgerald et al. 1998; Lillard und Panis 1998; Vandecasteele und Debels 2007; Lugtig 2014).
- 2.
Hierfür gibt es in gängigen Statistikpaketen Testverfahren, welche die Annahme prüfen, ob fehlende Werte einer bestimmten Variable von der Ausprägung anderer beobachteter Variablen im Datensatz abhängen (etwa MVA in SPSS oder mcartest in Stata; vgl. hierzu auch das Anwendungsbeispiel in Abschn. 4, v. a. Fußnote 11).
- 3.
Dies gilt zumindest unter der Bedingung, dass die ursprüngliche Erhebung „repräsentativ“ ist, das heißt beliebige Merkmalsausprägungen in der Erhebungsstichprobe im gleichen Anteil wie in der Grundgesamtheit auftreten (zum problematischen Begriff der Repräsentivität vgl. etwa Rendtel 1995, S. 193–202; Rothe und Wiedenbeck 1994; Schnell 2012, S. 173; von der Lippe und Kladroba 2002).
- 4.
Hierbei wird eine Ersetzung fehlender Werte für metrische Variablen meist durch das arithmetische Mittel, bei nicht-metrischen Variablen häufig auch durch den Median oder den Modus der Variable, vorgenommen. Gemeinsam ist diesen Methoden, dass sämtliche fehlende Werte – im Unterschied zur multiplen Imputation – lediglich durch einen bestimmten Wert ersetzt werden.
- 5.
Häufig findet sich in der Literatur eine weitere Unterscheidung zwischen listwise und pairwise deletion (z.B. Acock 2005; Widaman 2006). Letzteres versucht dem Problem der Ineffizienz des zeilenweisen Löschens durch die Berücksichtigung sämtlicher verfügbarer Fälle zu begegnen. Für Korrelationsanalysen bedeutet dies zum Beispiel, dass jeweils diejenigen Fälle verwendet werden, für die auf beiden Variablen substanzielle Ausprägungen vorliegen. Auf den ersten Blick verspricht diese Vorgehensweise eine höhere Effizienz als der zeilenweise Ausschluss. Allerdings bleibt das Problem möglicher Verzerrungen bei Nichterfüllung der MCAR-Annahme bestehen. Zudem beruhen die Korrelationskoeffizienten jeweils auf unterschiedlichen paarweisen Fallzahlen, was die Vergleichbarkeit erschwert. Besonders problematisch ist dies bei Regressionsmodellen, die unterschiedliche Variablen enthalten und folglich auf unterschiedlichen Fallzahlen beruhen. Ein Vergleich der Modelle ist hier nicht ohne Weiteres möglich.
- 6.
In der Literatur wird dann vereinzelt auch von „missing at random within classes“ (MARC) gesprochen (Schnell 1986, S. 7 f.). Hiermit ist gemeint, dass innerhalb der Klassen das Fehlen einer Ausprägung unabhängig von den fehlenden Daten ist. Liegt zudem auch kein Zusammenhang zwischen den fehlenden und den beobachteten Daten vor, wird der Begriff „missing completely at random within classes“ (MCARC) verwendet (Bankhofer 1995, S. 18).
- 7.
Häufig wird dann auch von „conditional mean imputation“ gesprochen (Little 1992).
- 8.
Rubin (1978, S. 24–27) unterscheidet ursprünglich zwischen „modelling task“, „estimation task“ und „imputation task“. Unter modelling task versteht Rubin die Auswahl eines für die Daten geeigneten Modells. Auf der Basis dieses Modells wird dann eine posteriori-Verteilung der Parameter berechnet (estimation task). Aus der prädiktiven Verteilung der fehlenden Daten bei gegebenen beobachteten Daten erfolgt schließlich eine Zufallsziehung (imputation task).
- 9.
Für das Anwendungsbeispiel verwenden wir den in Stata implementierten mi-Befehl, der eine multivariate Normalverteilung der Daten annimmt und auf dieser Grundlage ein Modell für alle Variablen formuliert (Schafer 1997). Daneben gibt es in Stata noch das Software-Paket ICE (Royston 2004), das auf vielen univariaten Imputationen beruht („chained equations“), die in einem Modell zusammengefasst werden.
- 10.
Dieser Beitrag verwendet Daten der SHARE Wellen 1, 2, 3 (SHARELIFE), 4, 5 und 6 (DOIs: https://doi.org/10.6103/SHARE.w1.600, https://doi.org/10.6103/SHARE.w2.600, https://doi.org/10.6103/SHARE.w3.600, https://doi.org/10.6103/SHARE.w4.600, https://doi.org/10.6103/SHARE.w5.600, https://doi.org/10.6103/SHARE.w6.600; siehe Börsch-Supan und Kollegen (2013) für Informationen zur Methodik). Die Finanzierung der SHARE Datenerhebung erfolgte primär durch die Europäische Kommission, insbesondere durch FP5 (QLK6-CT-2001-00360), FP6 (SHARE-I3: RII-CT-2006-062193, COMPARE: CIT5-CT-2005-028857, SHARELIFE: CIT4-CT-2006-028812) und FP7 (SHARE-PREP: N°211909, SHARE-LEAP: N°227822, SHARE M4: N°261982). Für zusätzliche finanzielle Unterstützung wird dem Bundesministerium für Bildung und Forschung, der Max-Planck-Gesellschaft zur Förderung der Wissenschaften, dem U.S. National Institute on Aging (U01_AG09740-13S2, P01_AG005842, P01_AG08291, P30_AG12815, R21_AG025169, Y1-AG-4553-01, IAG_BSR06-11, OGHA_04-064, HHSN271201300071C) sowie zahlreichen nationalen Geldgebern gedankt (siehe www.share-project.org).
- 11.
In Stata kann der Little-Test mit dem Befehl mcartest (Li 2013) durchgeführt werden, welcher nicht zu den Standardbefehlen zählt und daher zunächst installiert werden muss. In SPSS kann der MVA-Befehl verwendet werden (Urban und Mayerl 2018, S. 449). In R kann der Test mithilfe des „BaylorEdPsych-Package“ installiert werden.
- 12.
Hierfür werden die Einkommensbeträge anhand des Wechselkurses an einen Referenzzeitpunkt (2004), ein Referenzland (Deutschland) sowie eine Währung (Euro) umgerechnet und an das Preisniveau dieser Referenzen angepasst (Gruber et al. 2017, S. 53).
- 13.
Urban und Mayerl (2018, S. 469) zufolge sind jedoch auch bei hoher Missingquote 20 Imputationen ausreichend.
- 14.
Insbesondere in Querschnittsanalysen sollte auf eine kausale Interpretation der Modellergebnisse verzichtet werden.
- 15.
Es gibt eine ganze Reihe von verschiedenen Hot-Deck-Verfahren. Dabei wird ein fehlender Wert einer Beobachtung durch den Wert einer (in anderen Variablen) möglichst ähnlichen Beobachtung aus dem gleichen Datensatz ersetzt.
Literatur
Acock, Alan C. 2005. Working with missing values. Journal of Marriage and Family 67(4): 1012–1028.
Allison, Paul D. 2001. Missing data. Sage University Papers Series on quantitative applications in the social sciences. Thousand Oaks: Sage Publications.
Allison, Paul D. 2012. Why you probably need more imputations than you think. Last Modified 09.11.2012. https://statisticalhorizons.com/more-imputations. Zugegriffen am 18.06.2018.
Allison, Paul D. 2014. Listwise deletion: It’s NOT evil. Last Modified 13.06.2014. https://statisticalhorizons.com/listwise-deletion-its-not-evil. Zugegriffen am 18.06.2018.
Bankhofer, Udo. 1995. Unvollständige Daten- und Distanzmatrizen in der Multivariaten Datenanalyse. Bergisch Gladbach/Köln: Eul.
Baraldi, Amanda N., und Craig K. Enders. 2010. An introduction to modern missing data analyses. Journal of School Psychology 48(1): 5–37.
Berg, Anne I., Linda B. Hassing, Gerald M. McClearn, und Boo Johansson. 2006. What matters for life satisfaction in the oldest-old? Aging & Mental Health 10(3): 257–264.
Bergmann, Michael, Giuseppe De Luca, und Annette Scherpenzeel. 2017. Sampling design and weighting strategies in SHARE Wave 6. In SHARE Wave 6: Panel innovations and collecting dried blood spots, Hrsg. Axel Börsch-Supan und Frederic Malter, 77–93. Munich: MEA, Max Planck Institute for Social Law and Social Policy.
Bodner, Todd E. 2008. What improves with increased missing data imputations? Structural Equation Modeling: A Multidisciplinary Journal 15(4): 651–675.
Bogart, Leo. 1967. No opinion, don’t know, and maybe no answer. Public Opinion Quarterly 31(3): 331–345.
Börsch-Supan, Axel. 2017. Survey of Health, Ageing and Retirement in Europe (SHARE) Wave 6. Release version: 6.0.0. SHARE-ERIC. Data set. https://doi.org/10.6103/SHARE.w6.600.
Börsch-Supan, Axel, Martina Brandt, Christian Hunkler, Thorsten Kneip, Julie Korbmacher, Frederic Malter, Barbara Schaan, Stephanie Stuck, und Sabrina Zuber. 2013. Data resource profile: The Survey of Health, Ageing and Retirement in Europe (SHARE). International Journal of Epidemiology 42(4): 992–1001.
Böwing-Schmalenbrock, Melanie, und Anne Jurczok. 2012. Multiple Imputation in der Praxis. Ein sozialwissenschaftliches Anwendungsbeispiel. Potsdam: Universität Potsdam.
Bradburn, Norman M., und Seymour Sudman. 1981. Improving interview method and questionnaire design. Response effects to threatening questions in survey research. San Francisco: Jossey-Bass.
Briggs, Andrew, Taane Clark, Jane Wolstenholme, und Philip Clarke. 2003. Missing…. presumed at random: Cost-analysis of incomplete data. Health Economics 12(5): 377–392.
van Buuren, Stef. 2012. Flexible imputation of missing data. Boca Raton: Chapman & Hall.
Carlin, John B., Ning Li, Philip Greenwood, und Carolyn Coffey. 2003. Tools for analyzing multiple imputed datasets. Stata Journal 3(3): 226–244.
Collins, Linda M., Joseph L. Schafer, und Chi-Ming Kam. 2001. A comparison of inclusive and restrictive strategies in modern missing data procedures. Psychological Methods 6(4): 330–351.
Converse, Jean M. 1976. Predicting no opinion in the polls. Public Opinion Quarterly 40(4): 515–530.
Converse, Philip E. 1970. Attitudes and non-attitudes: Continuation of a dialogue. In The quantitative analysis of social problems, Hrsg. Edward R. Tufte, 168–189. Reading: Addison-Wesley.
Couper, Mick P., Eleanor Singer, Frederick G. Conrad, und Robert M. Groves. 2008. Risk of disclosure, perceptions of risk, and concerns about privacy and confidentiality as factors in survey participation. Journal of Official Statistics 24(2): 255–275.
De Leeuw, Edith D., Joop J. Hox, und Mark Huisman. 2003. Prevention and treatment of item nonresponse. Journal of Official Statistics 19(2): 153–176.
De Luca, Giuseppe. 2018a. Flexible stata code for hot-deck imputations of non-monetary variables in SHARE. Deliverable 2.12 of the SERISS project funded under the European Union’s Horizon 2020 research and innovation programme GA No: 654221.
De Luca, Giuseppe. 2018b. Flexible stata code for multiple FCS imputations of monetary variables in SHARE. Deliverable 2.14 of the SERISS project funded under the European Union’s Horizon 2020 research and innovation programme GA No: 654221.
De Luca, Giuseppe, Martina Celidoni, und Elisabetta Trevisan. 2015. Item nonresponse and imputation strategies in SHARE Wave 5. In SHARE wave 5: Innovations & methodology, Hrsg. Frederic Malter und Axel Börsch-Supan, 85–100. Munich: MEA, Max Planck Institute for Social Law and Social Policy.
Dillman, Don A., John L. Eltinge, Robert M. Groves, und Roderick J. A. Little. 2002. Survey nonresponse in design, data collection, and analysis. In Survey nonresponse, Hrsg. Robert M. Groves, Don A. Dillman, John L. Eltinge, und Roderick J. A. Little, 3–26. New York: Wiley.
Engel, Uwe, und Britta Köster. 2015. Response effects and cognitive involvement in answering survey questions. In Improving survey methods: Lessons from recent research, Hrsg. Uwe Engel, Ben Jann, Peter Lynn, Annette Scherpenzeel, und Patrick Sturgis, 35–50. New York: Routledge.
Engel, Uwe, und Björn Oliver Schmidt. 2014. Unit- und Item-Nonresponse. In Handbuch Methoden der empirischen Sozialforschung, Hrsg. Nina Baur und Jörg Blasius, 331–348. Wiesbaden: Springer VS.
Enkvist, Åsa, Henrik Ekstrom, und Sölve Elmstahl. 2012. What factors affect life satisfaction (LS) among the oldest-old? Archives of Gerontology and Geriatrics 54(1): 140–145.
Faulkenberry, G. David, und Robert Mason. 1978. Characteristics of nonopinion and no opinion response groups. Public Opinion Quarterly 42(4): 533–543.
Ferber, Robert. 1966. Item nonresponse in a consumer survey. Public Opinion Quarterly 30(3): 399–415.
Ferrin, Monica, Marta Fraile, und Gema García-Albacete. 2018. Is it simply gender? Content, format, and time in political knowledge measures. Politics & Gender 14(2): 162–185.
Fitzgerald, John, Peter Gottschalk, und Robert Moffitt. 1998. An analysis of sample attrition in panel data: The Michigan Panel Study of Income Dynamics. Journal of Human Resources 33(2): 251–299.
Ford, Barry L. 1983. An overview of hot-deck procedures. In Incomplete data in sample surveys, Hrsg. William G. Madow, Ingram Olkin und Donald B. Rubin, 185–207. New York: Academic Press.
Francis, Joe D., und Lawrence Busch. 1975. What we now know about „I don’t knows“. Public Opinion Quarterly 39(2): 207–218.
Frick, Joachim R., und Markus M. Grabka. 2005. Item nonresponse on income questions in panel surveys: Incidence, imputation and the impact on inequality and mobility. Allgemeines Statistisches Archiv 89(1): 49–61.
Frick, Joachim R., Markus M. Grabka, und Jan Marcus. 2013. SOEP 2007 – Editing und multiple Imputation der Vermögensinformation 2002 und 2007 im SOEP. In SOEP survey papers. Berlin: DIW.
Göthlich, Stephan E. 2006. Zum Umgang mit fehlenden Daten in großzahligen empirischen Erhebungen. In Methodik der empirischen Forschung, Hrsg. Sönke Albers, Daniel Klapper, Udo Konradt, Achim Walter, und Joachim Wolf, 133–150. Wiesbaden: Deutscher Universitätsverlag.
Graham, John W. 2009. Missing data analysis: Making it work in the real world. Annual Review of Psychology 60: 549–576.
Graham, John W., und Scott M. Hofer. 2000. Multiple imputation in multivariate research. In Modeling longitudinal and multilevel data: Practical issues, applied approaches, and specific examples, Hrsg. Todd D. Little, Kai U. Schnabel, und Jürgen Baumert, 201–218. London: Erlbaum.
Graham, John W., Scott M. Hofer, Stewart I. Donaldson, David P. MacKinnon, und Joseph L. Schafer. 1997. Analysis with missing data in prevention research. In The science of prevention. Methodological advances from alcohol and substance abuse research, Hrsg. Kendall J. Bryant, Michael Windle, und Stephen G. West, 325–366. Washington, DC: American Psychological Association.
Graham, John W., Patricio E. Cumsille, und Elvira Elek-Fisk. 2003. Methods for handling missing data. In Handbook of psychology, Hrsg. John A. Schinka, Wayne F. Velicer, und Irving B. Weiner, 87–114. New York: Wiley.
Graham, John W., Allison E. Olchowski, und Tamika D. Gilreath. 2007. How many imputations are really needed? Some practical clarifications of multiple imputation theory. Prevention Science 8(3): 206–213.
Groves, Robert M., Floyd J. Fowler Jr., Mick P. Couper, James M. Lepkowski, Eleanor Singer, und Roger Tourangeau. 2004. Survey Methodology. Hoboken: Wiley-Interscience.
Gruber, Stefan, Stephanie Stuck, Sabrina Zuber, Markus Kotte, Fabio Franzese, und Tim Birkenbach. 2017. SHARE release guide 6.0.0. Munich: MEA, Max Planck Institute for Social Law and Social Policy.
Häder, Michael. 2015. Empirische Sozialforschung: Eine Einführung. Wiesbaden: Springer VS.
Haziza, David, und Jean-François Beaumont. 2007. On the construction of imputation classes in surveys. International Statistical Review 75(1): 25–43.
Hippler, Hans-J., und Reiner Trometer. 1985. „Weiß nicht“ – die vernachlässigte Kategorie? Determinanten von Nichtantworten im ALLBUS 1982. In 22. Deutscher Soziologentag 1984. Beiträge der Sektions- und Ad-hoc Gruppen, Hrsg. Hans-Werner Franz, 464–466. Opladen: Westdeutscher.
Jelicic, Helena, Erin Phelps, und Richard M. Lerner. 2009. Use of missing data methods in longitudinal studies: The persistence of bad practices in developmental psychology. Developmental Psychology 45(4): 1195–1199.
Juster, F. Thomas, und James P. Smith. 1997. Improving the quality of economic data: Lessons from the HRS and AHEAD. Journal of the American Statistical Association 92(440): 1268–1278.
Kalton, Graham. 1983. Compensating for missing survey data. In Research report series. Ann Arbor: Institute for Social Research, University of Michigan.
Katz, Sidney, Amasa B. Ford, Roland W. Moskowitz, Beverly A. Jackson, und Marjorie W. Jaffe. 1963. Studies of illness in the aged: The index of ADL: A standardized measure of biological and psychosocial function. Journal of the American Medical Association 185(12): 914–919.
Kennickell, Arthur B. 2017. Multiple imputation in the Survey of Consumer Finances. Statistical Journal of the IAOS 33(1): 143–151.
King, Gary, James Honaker, Anne Joseph, und Kenneth Scheve. 2001. Analyzing incomplete political science data: An alternative algorithm for multiple imputation. American Political Science Review 95(1): 49–69.
Korbmacher, Julie M., und Mathis Schroeder. 2013. Consent when linking survey data with administrative records: The role of the interviewer. Survey Research Methods 7(2): 115–131.
Krosnick, Jon A. 2002. The causes of no-opinion responses to attitude measures in surveys: They are rarely what they appear to be. In Survey nonresponse, Hrsg. Robert M. Groves, Don A. Dillman, John L. Eltinge, und Roderick J. A. Little, 87–100. New York: Wiley.
Krug, Gerhard. 2010. Fehlende Daten bei der Verknüpfung von Prozess- und Befragungsdaten. Methoden – Daten – Analysen 4(1): 27–57.
Landau, Ruth, und Howard Litwin. 2001. Subjective well-being among the old-old: The role of health, personality and social support. The International Journal of Aging and Human Development 52(4): 265–280.
Leverkus-Brüning, Iris. 1966. Die Meinungslosen. Die Bedeutung der Restkategorie in der empirischen Sozialforschung. Berlin: Duncker & Humblot.
Li, Cheng. 2013. Little’s test of missing completely at random. Stata Journal 13(4): 795–809.
Lillard, Lee A., und Constantijn W. A. Panis. 1998. Panel attrition from the Panel Study of Income Dynamics: Household income, marital status, and mortality. Journal of Human Resources 33(2): 437–457.
von der Lippe, Peter, und Andreas Kladroba. 2002. Representativität von Stichproben. Marketing 24: 227–238.
Little, Roderick J. A. 1988. A test of missing completely at random for multivariate data with missing values. Journal of the American Statistical Association 83(404): 1198–1202.
Little, Roderick J. A. 1992. Regression with missing X’s: A review. Journal of the American Statistical Association 87(420): 1227–1237.
Little, Roderick J. A., und Donald B. Rubin. 1987. Statistical analysis with missing data. New York: Wiley.
Little, Roderick J. A., und Donald B. Rubin. 1989. The analysis of social science data with missing values. Sociological Methods & Research 18(2–3): 292–326.
Little, Roderick J. A., und Donald B. Rubin. 2002. Statistical analysis with missing data. Hoboken: Wiley.
Lüdtke, Oliver, Alexander Robitzsch, Ulrich Trautwein, und Olaf Köller. 2007. Umgang mit fehlenden Werten in der psychologischen Forschung. Psychologische Rundschau 58(2): 103–117.
Lugtig, Peter. 2014. Panel attrition: Separating stayers, fast attriters, gradual attriters, and lurkers. Sociological Methods & Research 43(4): 699–723.
Malter, Frederic, und Axel Börsch-Supan, Hrsg. 2017. SHARE wave 6: Panel innovations and collecting dried blood spots. Munich: Munich Center for the Economics of Aging (MEA).
Markides, Kyriakos S., und Harry W. Martin. 1979. A causal model of life satisfaction among the elderly. Journal of Gerontology 34(1): 86–93.
McKnight, Patrick E., Katherine M. McKnight, Souraya Sidani, und Aurelio José Figueredo. 2007. Missing data. A gentle introduction. New York: The Guilford Press.
Mondak, Jeffery J., und Mary R. Anderson. 2004. The knowledge gap: A reexamination of gender-based differences in political knowledge. Journal of Politics 66(2): 492–512.
Musil, Carol M., Camille B. Warner, Piyanee Klainin Yobas, und Susan L. Jones. 2002. A comparison of imputation techniques for handling missing data. Western Journal of Nursing Research 24(7): 815–829.
Myers, Teresa A. 2011. Goodbye, listwise deletion: Presenting hot deck imputation as an easy and effective tool for handling missing data. Communication Methods and Measures 5(4): 297–310.
Neugarten, Bernice L., Robert J. Havighurst, und Sheldon S. Tobin. 1961. The measurement of life satisfaction. Journal of Gerontology 16(2): 134–143.
Newman, Daniel A. 2003. Longitudinal modeling with randomly and systematically missing data: A simulation of ad hoc, maximum likelihood, and multiple imputation techniques. Organizational Research Methods 6(3): 328–362.
Okun, Morris A., William A. Stock, Marilyn J. Haring, und Robert A. Witter. 1984. Health and subjective well-being: A meta-analyis. The International Journal of Aging and Human Development 19(2): 111–132.
Opp, Karl-Dieter, und Steven E. Finkel. 2001. Politischer Protest, Rationalität und Lebensstile. Eine empirische Überprüfung alternativer Erklärungsmodelle. In Politische Partizipation in der Bundesrepublik Deutschland. Empirische Befunde und theoretische Erklärungen, Hrsg. Achim Koch, Martina Wasmer und Peter Schmidt, 73–108. Opladen: Leske + Budrich.
Pickles, Andrew. 2005. Missing data, problems, and solutions. In Encyclopedia of social measurement, Hrsg. Kimberly Kempf-Leonard, 689–694. Oxford: Elsevier.
Pinquart, Martin, und Silvia Sörensen. 2000. Influences of socioeconomic status, social network, and competence on subjective well-being in later life: A meta-analysis. Psychology and Aging 15(2): 187–224.
Prince, Martin J., Friedel Reischies, Aartjan T. F. Beekman, Rebecca Fuhrer, C. Jonker, Sirkka-Liisa Kivela, Brian A. Lawlor, Antonio Lobo, H. Magnusson, M. Fichter, Herman Van Oyen, Marc Roelands, Ingmar Skoog, Cesare Turrina, und John R. M. Copeland. 2018. Development of the EURO-D scale – a European Union initiative to compare symptoms of depression in 14 European centres. British Journal of Psychiatry 174(4): 330–338.
Rapoport, Ronald B. 1979. What they don’t know can hurt you. American Journal of Political Science 23(4): 805–815.
Rapoport, Ronald B. 1982. Sex differences in attitude expression: A generational explanation. Public Opinion Quarterly 46(1): 86.
Rässler, Susanne. 2000. Ergänzung fehlender Daten in Umfragen. Jahrbücher für Nationalökonomie und Statistik 220: 64–94.
Rattinger, Hans. 1994. Parteineigung, Sachfragen- und Kandidatenorientierung in Ost- und Westdeutschland 1990 bis 1992. In Wahlen und politische Einstellungen im vereinigten Deutschland, Hrsg. Hans Rattinger, Oscar W. Gabriel und Wolfgang Jagodzinski, 267–315. Frankfurt a. M.: Lang.
Rendtel, Ulrich. 1995. Lebenslagen im Wandel: Panelausfälle und Panelrepräsentivität. Frankfurt a. M./New York: Campus.
Reuband, Karl-Heinz. 1990. Meinungslosigkeit im Interview. Erscheinungsformen und Folgen unterschiedlicher Befragungsstrategien. Zeitschrift für Soziologie 19(6): 428–443.
Rizvi, M. Haseeb. 1983. An empirical investigation of some item nonresponse adjustment procedures. In Incomplete data in sample surveys, Hrsg. William G. Madow, Harold Nisselson und Ingram Olkin, 299–366. New York: Academic Press.
Roth, Philip L. 1994. Missing data: A conceptual review for applied psychologists. Personnel Psychology 47(3): 537–560.
Rothe, Günter, und Michael Wiedenbeck. 1994. Stichprobengewichtung: Ist Repräsentivität machbar? In Gewichtung in der Umfragepraxis, Hrsg. Siegfried Gabler, Jürgen H. P. Hoffmeyer-Zlotnik und Dagmar Krebs, 46–61. Opladen: Westdeutscher.
Royston, Patrick. 2004. Multiple imputation of missing values. Stata Journal 4(3): 227–241.
Rubin, Donald B. 1976. Inference and missing data. Biometrika 63(3): 581–592.
Rubin, Donald B. 1978. Multiple imputations in sample surveys. A phenomenological Bayesian approach to nonresponse. Proceedings of the survey research methods section of the American Statistical Association.
Rubin, Donald B. 1987. Multiple imputation for nonresponse in surveys. New York: Wiley.
Rubin, Donald B., Hal S. Stern, und Vasja Vehovar. 1995. Handling „don’t know“ survey responses. The case of the Slovenian plebiscite. Journal of the American Statistical Association 90(431): 822–828.
Sainani, Kristin L. 2015. Dealing with missing data. Physical Medicine and Rehabilitation 7(9): 990–994.
Schäfer, Andrea, und Jürgen Schupp. 2006. Zur Erfassung der Vermögensbestände im Sozio-oekonomischen Panel (SOEP) im Jahr 2002. Data Documentation. Berlin: DIW.
Schafer, Joseph L. 1997. Analysis of incomplete multivariate data. London: Chapman & Hall.
Schafer, Joseph L., und John W. Graham. 2002. Missing data: Our view of the state of the art. Psychological Methods 7(2): 147–177.
Schafer, Joseph L., und Maren K. Olsen. 1998. Multiple imputation for multivariate missing-data problems: A data analyst’s perspective. Multivariate Behavioral Research 33(4): 545–571.
Scheffer, Judi. 2002. Dealing with missing data. Research Letters in the Information and Mathematical Sciences 3: 153–160.
Schendera, Christian F. G. 2007. Datenqualität mit SPSS. München: Oldenbourg.
Schlomer, Gabriel L., Sheri Bauman, und Noel A. Card. 2010. Best practices for missing data management in counseling psychology. Journal of Counseling Psychology 57(1): 1–10.
Schnell, Rainer. 1986. Missing-Data-Probleme in der Empirischen Sozialforschung. Bochum: Ruhr-Universität Bochum.
Schnell, Rainer. 1997. Nonresponse in Bevölkerungsumfragen. Ausmaß, Entwicklung und Ursachen. Opladen: Leske+Budrich.
Schnell, Rainer. 2012. Survey-Interviews: Methoden standardisierter Befragungen. Wiesbaden: VS Verlag für Sozialwissenschaften.
Scholl, Armin. 2013. Reaktivität im Forschungsprozess. In Handbuch standardisierte Erhebungsverfahren in der Kommunikationswissenschaft, Hrsg. W. Möhring und D. Schlütz, 79–99. Wiesbaden: Springer Fachmedien.
Schuman, Howard, und Stanley Presser. 1981. Questions and answers in attitude surveys. Experiments on question form, wording, and context. New York: Academic Press.
Schwab, Georg. 1991. Fehlende Werte in der angewandten Statistik. Wiesbaden: Deutscher Universitätsverlag.
Sherman, Robert P. 2000. Tests of certain types of ignorable nonresponse in surveys subject to item nonresponse or attrition. American Journal of Political Science 44(2): 356–368.
Shoemaker, Pamela J., Martin Eichholz, und Elizabeth A. Skewes. 2002. Item nonresponse: Distinguishing between don’t know and refuse. International Journal of Public Opinion Research 14(2): 193–201.
Singer, Eleanor. 1978. Informed consent: Consequences for response rate and response quality in social surveys. American Sociological Review 43(2): 144–162.
Singer, Eleanor, John van Hoewyk, und Mary P. Maher. 2000. Experiments with incentives in telephone surveys. Public Opinion Quarterly 64(2): 171–188.
Smith, Tom W. 1984. Nonattitudes: A review and evaluation. In Surveying subjective phenomena, Hrsg. Charles F. Turner und Elizabeth Martin, 215–255. New York: Sage.
Spiess, Martin, und Jan Goebel. 2005. On the effect of item nonresponse on the estimation of a two-panel-waves wage equation. Allgemeines Statistisches Archiv 89(1): 63–74.
Streiner, David L. 2002. The case of the missing data: Methods of dealing with dropouts and other research vagaries. Canadian Journal of Psychiatry 47(1): 70–77.
Tourangeau, Roger, Lance J. Rips, und Kenneth A. Rasinski. 2000. The psychology of survey response. Cambridge: Cambridge University Press.
Urban, Dieter, und Jochen Mayerl. 2018. Angewandte Regressionsanalyse: Theorie, Technik und Praxis. Wiesbaden: Springer VS.
Vandecasteele, Leen, und Annelies Debels. 2007. Attrition in panel data: The effectiveness of weighting. European Sociological Review 23(1): 81–97.
Waterton, Jennifer, und Denise Lievesley. 1987. Attrition in a panel study of attitudes. Journal of Official Statistics 3(3): 267–282.
Weins, Cornelia. 2006. Multiple imputation. In Methoden der Politikwissenschaft. Neuere qualitative und quantitative Analyseverfahren, Hrsg. Joachim Behnke, Thomas Gschwend, Delia Schindler, und Kai-Uwe Schnapp, 205–216. Baden-Baden: Nomos.
White, Ian R., und John B. Carlin. 2010. Bias and efficiency of multiple imputation compared with complete-case analysis for missing covariate values. Statistics in Medicine 29(28): 2920–2931.
White, Ian R., Patrick Royston, und Angela M. Wood. 2011. Multiple imputation using chained equations: Issues and guidance for practice. Statistics in Medicine 30(4): 377–399.
Widaman, Keith F. 2006. Missing data: What to do with or without them. Monographs of the Society for Research in Child Development 71(3): 42–64.
Wilkinson, Leland. 1999. Statistical methods in psychology journals: Guidelines and explanations. American Psychologist 54(8): 594–604.
Wilks, Samuel S. 1932. Moments and distributions of estimates of population parameters from fragmentary samples. Annals of Mathematical Statistics 3(3): 163–195.
Wirtz, Markus. 2004. Über das Problem fehlender Werte: Wie der Einfluss fehlender Informationen auf Analyseergebnisse entdeckt und reduziert werden kann. Rehabilitation 43(2): 109–115.
Wood, Angela M., Ian R. White, und Simon G. Thompson. 2004. Are missing outcome data adequately handled? A review of published randomized controlled trials in major medical journals. Clinical Trials 1(4): 368–376.
Wothke, Werner. 2000. Longitudinal and multigroup modeling with missing data. In Modeling longitudinal and multilevel data: Practical issues, applied approaches, and specific examples, Hrsg. Todd D. Little, Kai U. Schnabel, und Jürgen Baumert, 219–240. London: Erlbaum.
Yan, Ting, und Richard Curtin. 2010. The relation between unit nonresponse and item nonresponse: A response continuum perspective. International Journal of Public Opinion Research 22(4): 535–551.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Bergmann, M., Franzese, F. (2020). Fehlende Werte. In: Tausendpfund, M. (eds) Fortgeschrittene Analyseverfahren in den Sozialwissenschaften. Grundwissen Politik. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-30237-5_6
Download citation
DOI: https://doi.org/10.1007/978-3-658-30237-5_6
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-30236-8
Online ISBN: 978-3-658-30237-5
eBook Packages: Social Science and Law (German Language)