300265 Multiple Imputation (S) (WiSe 2022/2023)

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 in Reinecke 2014: 240). Zu letzterem zählen die multiplen Imputationsverfahren.
Anhand von Übungen können verschiedene Imputationsverfahren mit ausgewählten Datensätzen verwendet
werden. Die Beispiele orientieren sich an dem Buch von Kleinke, Reinecke, Salfran und Spiess (2020),
insbesondere Chapter 5 und 6), und an verschiedenen Analysen, die mit den Daten des Projektes "Kriminalität
in der modernen Stadt" (CrimoC, www.crimoc.org) durchgeführt wurden (Kleinke et al. 2021).
Da mit R-Paketen gearbeitet wird, sollten die Seminarteilnehmerinnen und Seminarteilnehmer Grundkenntnisse
in der Handhabung von Datensätzen in R haben und mit multivariaten Verfahren der statistischen Datenanalyse
(z.B. multiple Regressionsanalyse, allgemeines lineares Modell) vertraut sein.

Bibliography

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

Enders C.K. (2022). Applied Missing Data Analysis. 2nd. ed. 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.

Kleinke, K.; Reinecke, J. & Weins, C. (2021). The development of delinquency during adolescence: a comparison of
missing data techniques revisited. In: Quality & Quantity, Vol. 55, 877–895.

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