300259 Die mehrfache Ersetzung fehlender Werte (multiple Imputationen) in komplexen Datenstrukturen (S) (SoSe 2020)

Das Seminar behandelt statistische Verfahren zur Behandlung fehlender Werte in Datensätzen, die hierarchisch aufgebaut sein können und/oder mehrere Messzeitpunkte enthalten (z.B. Paneldaten). Aktuelle Verfahren zur Behandlung fehlender Werte können entweder modellbasiert oder datenbasiert sein (vgl. den Überblick im Reinecke 2014: 240). Zu letzterem zählen die multiplen Imputationsverfahren.
Die Seminarteilnehmer haben Gelegenheit, diese Verfahren anwendungsorientiert kennenzulernen. Die verwendeten Beispiele orientieren sich an dem Buch von Kleinke, Reinecke, Salfrán und Spiess (2020, insbesondere Chapter 5 und 6), welches rechtzeitig zum Beginn des Sommersemesters in gedruckter und elektronischer Form vorliegen wird.
Da mit R-Modulen gearbeitet wird, sollten die Seminarteilnehmerinnen und Seminarteilnehmer Grundkenntnisse in der Handhabung von Datensätzen in R haben und sich mit multivariaten Verfahren der statistischen Datenanalyse (z.B. multiple Regressionsanalyse, allgemeines lineare Modell) auskennen.

Literaturangaben

Alexandrowicz, R. (2013). R in 10 Schritten. Stuttgart: UTB.

Enders, C.K. (2010). Applied Missing Data Analysis. New York: Guilford.

Kleinke, K.; Reinecke, J.; Salfrán, D. & Spiess, M. (2020). Applied Multiple Imputation. Advantages, Pitfalls, New Developments and Applications in R. Heidelberg: Springer.

Reinecke, J. (2014). Strukturgleichungsmodelle in den Sozialwissenschaften. 2. Aufl. München: Oldenbourg.