| Kommentar |
Fehlende Werte sind ein allgegenwärtiges Problem bei der quantitativen Datenanalyse. Daten für eine Untersuchungseinheit können entweder vollständig fehlen (unit-nonresponse), wenn z.B. ein Befragter die Teilnahme an einer Umfrage grundsätzlich ablehnt, oder auch nur für bestimmte Variablen (item-nonresponse), wenn z.B. ein Befragter nur die Beantwortung einzelner Fragen verweigert. Der traditionelle Ansatz zum Umgang mit item-nonresponse ist die Beschränkung der Untersuchungspopulation auf alle vollständigen Fälle (listwise deletion) und besteht darin, dass alle Beobachtungen mit fehlenden Werten aus der Analyse einfach ausgeschlossen werden. Dieses Vorgehen ist zwar sehr leicht umsetzen, ist jedoch auch sehr verschwenderisch und führt häufig zu verzerrten Schätzern. Die Multiple Imputation (MI) ist ein Verfahren, welches mit fehlenden Werten besser umgehen kann und - sofern bestimmte Bedingungen erfüllt sind - zu effizienten und unverzerrten Schätzer führt. Aus diesem Grund hat sich MI in den letzten Jahren zunehmend als Mittel der Wahl im Umgang mit item-nonresponse herauskristallisiert.
Ziel des Kurses ist es den Teilnehmenden die konzeptuellen und statistischen Grundlagen zum Umgang mit fehlenden Werten und MI näher zu bringen und ihnen zu ermöglichen MI für eigene Analysen selbstständig und flexibel einzusetzen. Der Schwerpunkt des Kurses liegt auf der praktischen Anwendung von MI und den vielfältigen Entscheidungen und Herausforderungen, die dabei zu beachten sind. Die praktische Umsetzung erfolgt mit der Datenanalyse-Software Stata.
Das Seminar richtet sich an MA-Studierende mit Erfahrung im Umgang mit quantitativer Datenanalyse (insb. Regressionsanalyse) und guten Stata-Kenntnissen. |
