Imputing Missing Data Values in Repeated Measurement Within-Subjects Designs Das Ersetzen von fehlenden Messwerten in Messwiederholungsdesigns

Das Ersetzen von fehlenden Meßwerten in Meßwiederholungsdesigns Der Artikel stellt einen Schätzalgorithmus zur Ersetzung von fehlenden Werten bei längsschnittlichen Analysen vor. Die Güte der Schätzungen fehlender Werte wurde anhand von zwei Simulationen überprüft. Dabei ging es darum, den Einfluß des Anteils fehlender Daten, den Einfluß der Anzahl der Meßwiederholungen, den Einfluß des Verlaufs der individuellen Meßwerte sowie den Einfluß der Stichprobengröße in Hinblick auf die Abweichungen zwischen tatsächlichen und geschätzten Werten, aber auch bezüglich statistischer Kennwerte wie Standardfehler und quadrierten Abweichungen zu überprüfen. Bei der ersten Simulation handelte es sich um einen empirisch ermittelten Datensatz, bei der zweiten um eine Monte Carlo Simulation. Ferner wird die hier vorgestellte Methode der Schätzung fehlender Meßwerte mit der traditionellen Schätzmethode der Mittelwertsersetzungen verglichen. Die Ergebnisse zeigten, daß die geschätzten Werte die tatsächlichen Daten sehr gut approximieren; die Güte der Schätzungen fehlender Werte nahm zu mit der Anzahl zur Verfügung stehender Meßzeitpunkte sowie ab einer Stichprobengröße von n=100 die Güte der Schätzung war umso schlechter, je größer der Anteil fehlender Werte war. This paper introduces a procedure for imputing missing data values in repeated measurement within-subjects designs. Two sets of simulations were performed. The first used a single data set to examine the influence of the proportion of cases with missing values, the number of repeated measures, and the shape of the individual response curve on the discrepancy between the imputed and observed data, and to compare this method with mean-substitution. A Monte Carlo simulation was also conducted which examined the proportion of cases with missing values, the shape of the individual response curve, and the sample size in relation to the discrepancy between the observed and imputed standard errors and moments. Results indicated that the imputed data closely approximated observed values, that estimation improved as the number of repeated measures increased and proportion of cases with missing values decreased, and that sample sizes greater than 100 provided equivalent results. unknown publishedVersion