Advertisement

Behandlung fehlender Daten

  • Gerhard Arminger
  • Franz Müller
Chapter
  • 59 Downloads

Zusammenfassung

Die meisten statistischen Analyseverfahren basieren auf der Annahme, daß eine vollständig erhobene Datenmatrix vorliegt, wobei die Zeilen der Datenmatrix die Untersuchungseinheiten (z.B Individuen) und die Spalten die erhobenen Variablen repräsentieren. Die Zahlen in der Matrix werden als Daten (Werte) bezeichnet. Fehlen nun Elemente oder ganze Zeilen der Datenmatrix (Missing Data), so führt das nicht nur bei der Berechnung von univariaten deskriptiven Statistiken, sondern vor allem bei Verwendung von multivariaten Analyseverfahren zu erheblichen Schwierigkeiten. Basis der meisten multivariaten Analysen sind der Mittelwertvektor und die Kovarianzmatrix der Variablen. Beispiele sind sowohl das in Abschnitt 2.1 behandelte Lisrel Modell, das zur ML-Schätzung der Modellparameter eine Kovarianzmatrix benötigt, als auch das in Abschnitt 2.3 angegebene Verfahren zur robusten Schätzung der strukturellen Koeffizienten des Lisrel Modells mit Hilfe linearer Regression, das die Matrix der zweiten Momente benötigt. Zur effizienten Verwendung dieser beiden Schätzverfahren ist die konsistente und effiziente Schätzung des Mittelwertvektors und der Varianz-Kovarianzmatrix der beobachteten Variablen trotz fehlender Daten erforderlich.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Copyright information

© Westdeutscher Verlag GmbH, Opladen 1990

Authors and Affiliations

  • Gerhard Arminger
  • Franz Müller

There are no affiliations available

Personalised recommendations