Text

Hintergrund: Fehlende Werte (missing values) stellen ein großes Problem bei Messungen im Allgemeinen, in der empirischen Sozialforschung im Speziellen und bei gesundheitsbezogenen quantitativen Befragungen im Besonderen dar. Insbesondere bei Befragungen zu heiklen gesundheitsbezogenen Themen (Drogenkonsum, sexueller Lebensstil u.ä.) bzw. Fragen zu heiklen Themenbereichen (Einkommen etc.) kommt es immer wieder zur Nicht-Teilnahme (Unit-Non-Response) bzw. Nicht-Beantwortung von Fragen (Item-Non-Response). Dies stellt die quantitative empirische Gesundheitsforschung immer wieder vor große Herausforderungen, denen mit dem folgenden Vortrag begegnet werden soll.

Zielsetzung/Fragestellung: Der Vortrag soll auf humorvolle Art und Weise zeigen, wer bei welchen quantitativen Befragungen mit- bzw. nicht mitmacht, welche Fragen dabei häufig nicht ausgefüllt werden und welche Charakteristika Befragte haben, welche die Teilnahme grundsätzlich verweigern oder lediglich spezifische Fragen nicht beantworten. Darüber hinaus soll dargestellt werden, was alles getan werden kann, um diese Fehlerquellen bei der Erhebung von Daten generell bzw. speziell bei der Auswertung und Interpretation zu minimieren.

Diskussionspunkt: Soll man denn nun imputieren oder nicht? Tja, es kommt darauf an, was man will: Die ehrliche bzw. nackte Wahrheit oder die schöngeschätzte Welt, sozusagen den immer noch halb verkleideten Menschen oder den perfekt algorithmisierten Datenkörper. Wann begeht man also sozusagen den kleineren Fehler, wenn man imputiert oder nicht imputiert und ist dieser Fehler nur quantitativ einzuordnen oder kann man ihn auch qualitativ einordnen und begreifen?

Inhalt: Ausgehend von einer Nicht-Definition (Was sind missing values alles nicht!) wird darauf eingegangen, was missing values eigentlich sind und wie sie im Speziellen aussehen können. Im Anschluss soll gezeigt werden, welche Folgen in der Auswertung missing values nach sich ziehen können und welche Methoden der generellen Vermeidung von Nicht-Teilnahme und zur spezifischen Bereinigung bzw. Imputation von Item-bezogenen missing values es grundsätzlich gibt sowie welche Vor- und Nachteile dabei entstehen können. Hierbei wird insbesondere auf das Schätzen von Daten eingegangen, bei dem fehlende Werte aufgrund anderer Angaben des Befragten oder der übrigen Befragten geschätzt werden, einschließlich einer Empfehlung von einschlägigen und weniger bekannten Softwaretools.

Take Home Message für die Praxis: Quantitative Imputation oder nicht, das ist und bleibt hier die mephistophelische Frage … wir brauchen mehr Forschung!

Interessenkonflikte: Keine