270121 Multiple Imputation (BS) (WiSe 2017/2018)

Ziel dieses Seminar ist es (a) Teilnehmende mit der Problematik fehlender Werte in sozialwissenschaftlichen Datensätzen vertraut zu machen, (b) die Vor- und Nachteile verschiedener Verfahren zur Analyse unvollständiger Datensätze gegenüberzustellen, (c) die Anwendung der wichtigsten Missing-Data-Tools zu vermitteln (z.B. Schafers norm Paket, van Buuren’s mice Paket), sodass Teilnehmende nach dem Seminar die Voraussetzungen erworben haben, für eigene Fragestellungen eine passende Missing-Data-Strategie auszuwählen und anzuwenden.

Neben notwendigem theoretischem Input wird der Fokus der Veranstaltung auf der praktischen Anwendung liegen. Das Seminar wird auf die individuellen Bedürfnisse der Teilnehmenden zugeschnitten werden. Gerne können eigene Daten mitgebracht werden.

Teilnahmevoraussetzungen, notwendige Vorkenntnisse

Notwendig sind Kenntnisse in den gängigen statistischen Verfahren wie Multiple Regression, Varianzanalyse.
Wünschenswert (aber nicht notwendig) sind:
- Erfahrungen bzgl. R
- Kenntnisse bzgl. Mehrebenenregressionsmodelle

Literaturangaben

hilfreiche Literatur zum Einstieg in die Thematik:
Graham, J. W., Cumsille, P. E., & Elek-Fisk, E. (2003). Methods for handling missing data. In J. A. Schinka & W. F. Velicer (Eds.), Handbook of psychology: Volume 2. Research methods in psychology (pp. 87–114). Hoboken, NJ: Wiley & Sons.

Kleinke, K., Stemmler, M., Reinecke, J., & Lösel, F. (2011). Efficient ways to impute incomplete panel data. Advances in Statistical Analysis, 95(4), 351-373.

van Buuren, S. (2012). Flexible imputation of missing data. Boca Raton, FL: CRC press.
van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of statistical software, 45(3)