Fehlende Werte: Datenlücken erkennen und transparent berichten

1. Echte Werte von fehlenden Angaben unterscheiden

Öffne vor der statistischen Auswertung dein Codebuch und prüfe, wie fehlende Angaben gespeichert wurden. Eine leere Zelle, eine besondere Zahl oder die Zeichenfolge „NA“ kann je nach Import unterschiedlich behandelt werden. Ein echter Wert null ist davon zu unterscheiden. Wenn du fehlende Angaben als null in einen Mittelwert einrechnest, misst du etwas anderes als beabsichtigt. Bewahre die unveränderte Rohdatei und halte jede Umcodierung in einer getrennten Bereinigungsfassung oder einem nachvollziehbaren Skript fest.

Die offizielle R-Dokumentation beschreibt NA als Kennzeichnung fehlender Werte und is.na als Prüfung darauf. Die Zeichenfolge „NA“ ist nicht dasselbe wie dieser fehlende Wert. Kontrolliere entsprechend den tatsächlichen Datentyp nach dem Import. Lege außerdem fest, ob „nicht zutreffend“, „weiß nicht“, technische Ausfälle und ausgelassene Antworten getrennt erfasst werden müssen. Diese Informationen können für die Interpretation wichtig sein, auch wenn sie später alle nicht als regulärer Messwert in eine bestimmte Berechnung eingehen.

Weiterführend: R Core: Not Available / Missing Values

2. Eine Inventur auf Variablen- und Fallebene erstellen

Zähle für jede relevante Variable gültige und fehlende Angaben und nenne die Bezugsgröße. Prüfe zusätzlich, welche Fälle gleichzeitig bei mehreren Variablen Angaben vermissen lassen. Eine Analyse mit zwei vollständig benötigten Variablen kann weniger Fälle verwenden als jede einzelne beschreibende Auswertung. Addiere fehlende Werte über Variablen deshalb nicht einfach zu einer Zahl ausgeschlossener Personen. Dieselbe Person kann an mehreren Stellen fehlen. Kontrolliere auch Filterfragen: Nicht jede übersprungene Frage ist eine unbeabsichtigte Datenlücke.

Die eigene Tabelle verwendet nur frei erfundene Übungszahlen. Von insgesamt 50 Fällen haben 46 eine gültige Zeitangabe und 44 eine gültige Zufriedenheitsangabe; für eine gemeinsame Auswertung sind im Beispiel 41 Fälle vollständig. Daraus folgt nicht, dass alle fehlenden Angaben denselben Grund haben. Ergänze in deinem echten Projekt eine Übersicht der dokumentierten Gründe und auffälligen Muster. Prüfe beispielsweise, ob Lücken häufiger in einer Gruppe, bei einem Erhebungszeitpunkt oder nach einer bestimmten Filterfrage auftreten.

3. Entstehung und Behandlung gemeinsam beurteilen

Das Statistikseminar der UCLA erläutert die Unterscheidung zwischen vollständig zufälligem Fehlen, durch beobachtete Angaben erklärbarem Fehlen und einer Abhängigkeit von unbeobachteten Werten. Die üblichen Bezeichnungen sind MCAR, MAR und MNAR. Diese Begriffe sind Annahmen über den Entstehungsprozess, keine Etiketten, die sich allein aus einem kleinen Fehlendenanteil ergeben. Beschreibe deshalb, welche Informationen deine Einschätzung stützen und welche Ursache du aus den verfügbaren Daten nicht überprüfen kannst.

Die UCLA behandelt außerdem Grenzen vollständiger Fallauswahl und einfacher Mittelwertersetzung. Ein unveränderter Mittelwert nach einer Ersetzung bedeutet nicht, dass Streuung und Unsicherheit korrekt bleiben. Multiple Imputation und andere modellbasierte Verfahren benötigen passende Annahmen und eine fachlich begründete Umsetzung. Fülle Lücken daher nicht automatisch auf, nur um eine vollständige Tabelle zu bekommen. Stimme komplexere Entscheidungen mit statistischer Betreuung ab und dokumentiere das Verfahren sowie seine Vereinbarkeit mit deiner vorgesehenen Analyse.

Weiterführend: UCLA Statistical Methods and Data Analytics: Multiple Imputation in SAS, Part 1

4. Den tatsächlichen Analysedatensatz nachverfolgen

Lege pro Auswertung fest, welche Variablen benötigt werden und welche Fälle das Programm tatsächlich verwendet. Ein automatisch ausgegebenes Ergebnis zeigt nicht immer sofort, welche Zeilen zuvor entfernt wurden. Notiere die Auswahlregel, die verbleibende Fallzahl und den Bezug zur Rohdatei. Wenn zwei Tabellen unterschiedliche Fallzahlen haben, muss dieser Unterschied erklärbar sein. Ein einziges n auf der ersten Seite deines Ergebniskapitels reicht nicht, wenn spätere Modelle auf anderen Teilmengen beruhen.

Im fiktiven Übungsprojekt kannst du zuerst jede der drei Tabellenzeilen aus der Fallliste reproduzieren. Markiere die gültigen Angaben, bilde dann die Schnittmenge für die gemeinsame Analyse und vergleiche sie mit dem Programmausdruck. Diese einfache Kontrollübung deckt falsch importierte Codes und übersehene Filter auf. Bewahre bereinigte Daten und Analyseausgaben unter zusammengehörigen Versionsnamen. Ändert sich eine Codierung, müssen die davon abhängigen Berechnungen erneut ausgeführt und die alten Ergebnisse unterscheidbar archiviert werden.

5. Datenlücken verständlich in der Arbeit berichten

Berichte im Methodenteil die festgelegte Behandlung und im Ergebnisteil die tatsächlich verwendeten Fallzahlen. Beschreibe relevante fehlende Angaben und ihre bekannten Gründe, ohne unbekannte Ursachen zu erfinden. Erkläre in der Diskussion, wie plausible Muster die Reichweite deiner Schlussfolgerung begrenzen könnten. Wenn eine ergänzende Sensitivitätsanalyse vorgesehen ist, benenne, welche Annahme dabei variiert und was verglichen wird. Eine zweite Berechnung mit beliebigen Einstellungen ist noch keine aussagekräftige Robustheitsprüfung.

Der Abschlusswerk-Statistikassistent kann Fragen zur Analyseauswahl strukturieren; er bestätigt nicht automatisch den Mechanismus fehlender Daten und ersetzt keine Prüfung des Datensatzes. Gib nur die für deine methodische Frage notwendigen, nicht identifizierenden Angaben weiter. Deine Endkontrolle beginnt bei der Rohdatei und endet beim berichteten Ergebnis: Stimmen Codierung, Auswahlregel, Fallzahl und Textaussage zusammen? Erst wenn diese Verbindung nachvollziehbar ist, sollte eine bereinigte Zahl in die Zusammenfassung oder Präsentation übernommen werden.