300254 Der Umgang mit fehlenden Werten in komplexen Datensätzen (S) (SoSe 2021)

Im Seminar werden statistische Verfahren zur Behandlung fehlender Werte behandelt, die für komplexe Datensätze (z. B. Paneldaten mit mehreren Meßzeitpunkten) eingesetzt werden können. Es soll auch der designbasierte geplante Einsatz fehlender Werte in Datenstrukturen behandelt werden (z. B. Split-Questionnaire Design, Planned Missing Data Design).

Statistische Verfahren zur Behandlung fehlender Werte lassen sich in modellbasierte oder datenbasierte Strategien unterteilen (vgl. hierzu die Ausführungen im Lehrbuch von Reinecke, 2014: 240). Im Seminar besteht die Gelegenheit, diese Verfahren anwendungsorientiert kennenzulernen. Die verwendeten Beispiele orientieren sich teilweise an dem Buch von Kleinke, Reinecke, Salfrán und Spiess (2020), insbesondere an den Beispielen in den Kapiteln 5 und 6.

Requirements for participation, required level

Ein eigener Labtop mit installiertem R und R-Studio.

Da mit R-Modulen gearbeitet wird, sollten die Seminarteilnehmerinnen und Seminarteilnehmer Grundkenntnisse in der Handhabung von Daten in R haben und sich mit multivariaten Verfahren der statistischen Datenanalyse (z.B. multiple Regressionsanalyse, allgemeines lineare Modell) auskennen.

Programmierkenntnisse sind hilfreich, werden aber nicht vorausgesetzt.

Bibliography

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

Buuren, Stef van (2018). Flexible imputation of missing data. Boca Raton: CRC Press.

Enders, C. K. (2010). Applied missing data analysis. New York and London: Guilford Press.

Graham, J. (2012). Missing data. Analysis and design. New York: Springer.

Kleinke, K.; Reinecke, J.; Salfrán, D. & Spiess, M. (2020). Applied multiple imputation. Advantages, pitfalls, new developments and applications in R. Cham: Springer.

Little, R. & Rhemtulla (2013). Planned missing data designs for developmental researchers. Child Development Perspectives 7 (4), 199–204.

Little, R. & Rubin, D. (2020). Statistical analysis with missing data. 3rd. ed. Hoboken, New Jersey: Wiley.

Reinecke, J. (2012). Wachstumsmodelle. Mehring: Rainer Hampp.

Reinecke, J. (2014). Strukturgleichungsmodelle in den Sozialwissenschaften. 2. Auflage. München: DeGruyter \& Oldenbourg.

Steinmetz, H. (2015). Lineare Strukturgleichungsmodelle. Eine Einführung in R. 2. verb. Auflage. München: Hampp Verlag.