Fehlende Werte statistisch behandeln richtig

Ein Datensatz wirkt auf den ersten Blick vollständig, bis in SPSS, R oder Excel plötzlich leere Zellen auftauchen. Wer fehlende Werte statistisch behandeln muss, steht schnell vor einer folgenreichen Entscheidung: Fälle löschen, Werte ersetzen oder ein Verfahren wählen, das fehlende Angaben direkt im Modell berücksichtigt? Die falsche Wahl kann Stichprobe, Effektstärken und Schlussfolgerungen verzerren. Die richtige Wahl macht Ihre Analyse nachvollziehbar und verteidigungsfähig.

Warum fehlende Werte mehr sind als ein Datenproblem

Fehlende Werte entstehen selten zufällig aus rein technischen Gründen. Teilnehmende überspringen sensible Fragen, brechen eine Befragung ab, erscheinen nicht zum Follow-up oder Messgeräte liefern einzelne Ausfälle. In medizinischen Studien fehlen Laborwerte beispielsweise häufiger bei schwer erkrankten Personen. In Fragebogenstudien werden Einkommen, psychische Belastung oder Sexualverhalten oft selektiv nicht beantwortet.

Damit ist nicht nur die Anzahl der fehlenden Werte relevant, sondern ihre Ursache. Zehn Prozent fehlende Angaben können unkritisch sein, wenn sie tatsächlich zufällig verteilt sind. Zwei Prozent können dagegen problematisch werden, wenn gerade eine bestimmte Patientengruppe oder ein zentraler Prädiktor betroffen ist.

Ein verbreiteter Fehler besteht darin, fehlende Werte unkommentiert zu entfernen. Das ist zwar schnell erledigt, beantwortet aber nicht die methodische Frage, ob die verbleibenden Fälle noch die untersuchte Population abbilden. Besonders bei Bachelor- und Masterarbeiten sowie Dissertationen erwarten Prüferinnen und Prüfer eine begründete Entscheidung, keine bloße Standardeinstellung der Statistiksoftware.

Fehlende Werte statistisch behandeln: Der Mechanismus entscheidet

Die Fachliteratur unterscheidet drei zentrale Mechanismen. Diese Einteilung ist kein theoretisches Detail, sondern die Grundlage für die Wahl eines angemessenen Verfahrens.

MCAR: vollständig zufällig fehlend

Bei „Missing Completely at Random“ hängt das Fehlen weder mit beobachteten noch mit unbeobachteten Daten zusammen. Ein technischer Übertragungsfehler, der einzelne Fragebögen unabhängig von Merkmalen der Befragten betrifft, wäre ein mögliches Beispiel.

Unter MCAR kann eine vollständige Fallanalyse, auch Listwise Deletion genannt, vertretbar sein. Dabei werden nur Personen ausgewertet, die für alle benötigten Variablen gültige Werte haben. Dennoch sinkt die Stichprobengröße und damit die Teststärke. Bei kleinen Stichproben ist das oft ein erhebliches Risiko.

MAR: zufällig fehlend unter Berücksichtigung beobachteter Daten

Bei „Missing at Random“ ist das Fehlen durch Variablen erklärbar, die im Datensatz vorhanden sind. Wenn jüngere Teilnehmende ihr Einkommen seltener angeben, das Alter aber erhoben wurde, kann die Einkommenslücke unter Berücksichtigung des Alters als MAR behandelt werden.

In der Forschung ist MAR häufig die praktisch relevante Annahme. Verfahren wie multiple Imputation oder Maximum-Likelihood-Schätzung sind dafür in der Regel geeigneter als das Löschen vollständiger Fälle. Sie nutzen die vorhandene Information aus anderen Variablen, ohne so zu tun, als seien die fehlenden Angaben beliebig.

MNAR: nicht zufällig fehlend

Bei „Missing Not at Random“ hängt die fehlende Angabe mit dem nicht beobachteten Wert selbst zusammen. Personen mit besonders hoher depressiver Symptomatik könnten genau deshalb eine entsprechende Skala nicht vollständig ausfüllen. Dieser Fall ist methodisch anspruchsvoll, weil sich die Annahme mit den vorhandenen Daten allein meist nicht sicher prüfen lässt.

Hier braucht es fachliche Argumente, eine transparente Diskussion und häufig Sensitivitätsanalysen. Eine Imputation löst das Problem nicht automatisch. Sie basiert ebenfalls auf Annahmen und kann bei MNAR zu irreführender Sicherheit führen.

Zuerst prüfen, dann entscheiden

Bevor Sie eine Methode anwenden, benötigen Sie eine strukturierte Bestandsaufnahme. Berichten Sie zunächst für jede relevante Variable, wie viele Werte fehlen und welchem Anteil der Stichprobe das entspricht. Bei longitudinalen Studien sollte zusätzlich sichtbar werden, zu welchem Messzeitpunkt Ausfälle auftreten.

Danach vergleichen Sie Personen mit und ohne fehlende Werte. Unterscheiden sich die Gruppen hinsichtlich Alter, Geschlecht, Diagnose, Ausgangswert oder anderen wichtigen Merkmalen? Solche Vergleiche beweisen keinen MAR- oder MNAR-Mechanismus, liefern aber belastbare Hinweise. Auch Missingness-Indikatoren, bei denen „fehlend“ als eigene Variable codiert wird, können Zusammenhänge mit beobachteten Merkmalen sichtbar machen.

Der Little-MCAR-Test wird oft verwendet, sollte aber nicht isoliert entscheiden. Bei kleinen Stichproben erkennt er relevante Abweichungen möglicherweise nicht, bei großen Stichproben reagiert er mitunter auf praktisch unbedeutende Unterschiede. Entscheidend ist daher die Kombination aus Datenprüfung, Studiendesign und fachlichem Wissen über den Erhebungsprozess.

Welche Methoden in der Praxis sinnvoll sind

Eine Methode ist nicht deshalb gut, weil sie technisch aufwendig ist. Sie muss zur Forschungsfrage, Datenstruktur, Stichprobengröße und plausiblen Missingness-Annahme passen.

Vollständige Fallanalyse: nur bei guter Begründung

Die vollständige Fallanalyse ist transparent und in vielen Programmen voreingestellt. Sie kann sinnvoll sein, wenn der Anteil fehlender Werte sehr niedrig ist, MCAR plausibel erscheint und genügend Fälle für eine präzise Analyse übrig bleiben.

Problematisch wird sie, wenn mehrere Variablen jeweils nur wenige Lücken aufweisen. Dann kann sich der Verlust über die Variablen hinweg stark aufsummieren. Eine Regression mit ursprünglich 250 Fällen kann schnell nur noch auf 160 vollständigen Beobachtungen beruhen. Das verschlechtert nicht nur die Power, sondern kann auch systematische Verzerrungen erzeugen.

Einfache Ersetzung: selten die beste Lösung

Mittelwertimputation, Medianersatz oder das Einsetzen von null werden häufig gewählt, weil sie unkompliziert sind. Für eine wissenschaftliche Hauptanalyse sind diese Verfahren jedoch meist ungeeignet. Sie unterschätzen die Streuung, verändern Korrelationen und lassen Standardfehler zu klein erscheinen.

Eine einfache Ersetzung kann allenfalls bei klar definierten Skalenregeln vertretbar sein, etwa wenn bei einer validierten Skala maximal ein Item fehlt und das Manual ausdrücklich einen Personenmittelwert erlaubt. Das ist etwas anderes als die pauschale Ersetzung fehlender Variablenwerte im gesamten Datensatz.

Multiple Imputation: häufig die wissenschaftlich stärkere Option

Bei plausibler MAR-Annahme ist die multiple Imputation oft eine sehr gute Lösung. Sie erzeugt mehrere plausible Versionen der fehlenden Werte, analysiert jeden vollständigen Datensatz separat und führt die Ergebnisse anschließend nach festgelegten Regeln zusammen. Dadurch wird die Unsicherheit der Ersetzung berücksichtigt.

In das Imputationsmodell gehören nicht nur die Variablen der späteren Hauptanalyse. Sinnvoll sind auch Hilfsvariablen, die mit dem Fehlen oder den zu imputierenden Werten zusammenhängen. Bei einer Studie zu Therapieerfolg können beispielsweise Ausgangsschwere, Alter, Behandlungsgruppe und frühere Messzeitpunkte relevant sein.

Die Methode verlangt sorgfältige Umsetzung. Skalenniveau, Verteilungen, Interaktionen und mögliche Nichtlinearitäten müssen berücksichtigt werden. Dichotome, ordinale und stetige Variablen dürfen nicht mit identischen Modellannahmen behandelt werden. Auch die Anzahl imputierter Datensätze sollte zum Fehlanteil passen und begründet werden.

Modellbasierte Verfahren und Spezialfälle

Bei gemischten Modellen für longitudinale Daten wird Maximum Likelihood häufig direkt verwendet. Unter MAR kann dieses Vorgehen alle verfügbaren Messzeitpunkte einbeziehen, ohne Personen bei einem einzelnen fehlenden Follow-up komplett auszuschließen. Gerade in klinischen und wiederholten Messdesigns ist das oft sinnvoller als eine klassische Varianzanalyse mit vollständigen Fällen.

Bei kategorialen Endpunkten, komplexen Survey-Daten oder sehr kleinen Stichproben gelten zusätzliche Anforderungen. Auch bei fehlenden Daten aufgrund eines Studienabbruchs ist die inhaltliche Ursache zentral. Ein Abbruch wegen Nebenwirkungen ist methodisch anders zu bewerten als ein Umzug oder ein technischer Ausfall.

So dokumentieren Sie Ihre Entscheidung wissenschaftlich sauber

Ein überzeugender Methodenteil macht den Weg zur Analyse sichtbar. Benennen Sie den Umfang fehlender Daten, die betroffenen Variablen und die angewendete Methode. Erläutern Sie kurz, warum die zugrunde liegende Annahme plausibel ist. Bei multipler Imputation gehören außerdem die Anzahl der Imputationen, die einbezogenen Variablen und das Auswertungs- sowie Pooling-Verfahren in den Bericht.

Formulierungen wie „fehlende Werte wurden ersetzt“ reichen nicht aus. Prüferinnen, Gutachter und Journals müssen nachvollziehen können, wodurch ersetzt wurde und welche Konsequenzen das für die Unsicherheit der Ergebnisse hat. Gute Berichterstattung zeigt auch, ob eine Sensitivitätsanalyse durchgeführt wurde, beispielsweise ein Vergleich von Ergebnissen nach vollständiger Fallanalyse und multipler Imputation.

Wenn beide Ansätze zu ähnlichen Schlussfolgerungen führen, stärkt das das Vertrauen in Ihr Ergebnis. Fallen die Resultate deutlich unterschiedlich aus, ist das keine Peinlichkeit, sondern eine wichtige wissenschaftliche Erkenntnis: Die Schlussfolgerung hängt offenbar von Annahmen über die fehlenden Daten ab.

Typische Fehler, die Sie vermeiden sollten

Besonders häufig wird der Code 99, -9 oder „keine Angabe“ versehentlich als regulärer Zahlenwert analysiert. Prüfen Sie daher vor jeder Auswertung die Codierung und definieren Sie fehlende Werte korrekt in Ihrer Software. Ebenso problematisch ist es, Fälle nur deshalb zu löschen, weil eine Variable im Datensatz fehlt, die für die konkrete Analyse gar nicht benötigt wird.

Vermeiden Sie auch die Annahme, ein geringer Gesamtanteil fehle automatisch unbedenklich. Eine zentrale Zielvariable kann mit wenigen selektiven Ausfällen stärker belastet sein als zehn nebensächliche Variablen mit höheren, zufälligen Fehlanteilen. Statistik beginnt hier nicht mit einem Klick auf „Imputieren“, sondern mit dem Verständnis Ihrer Erhebung.

Bei komplexen Datensätzen lohnt sich eine methodische Prüfung vor der endgültigen Analyse. Easy Statistik unterstützt Forschungsprojekte mit individueller Beratung durch promovierte Statistikerinnen und Statistiker, von der Missing-Data-Diagnostik über die Umsetzung in R, SPSS, Stata oder Python bis zum nachvollziehbaren Reporting. Nutzen Sie dafür das Kontaktformular und lassen Sie Ihre geplante Behandlung fehlender Werte prüfen, bevor sie Ihre Ergebnisse unnötig angreifbar macht.