Universität Stuttgart
Permanent URI for this communityhttps://elib.uni-stuttgart.de/handle/11682/1
Browse
1 results
Search Results
Item Open Access Multiple Imputation by Chained Equations - eine Leistungsevaluation bei Schätzung von Strukturgleichungsmodellen mittels Monte-Carlo-Simulationen(2020) Wahl, Andreas; Urban, Dieter (Prof. Dr.)Fehlende Werte sind ein omnipräsentes Phänomen der empirisch-quantitativ arbeitenden Sozialforschung. Da die meisten empirischen Datensätze fehlende Werte aufweisen, müssen möglichst geeignete Wege und Verfahren gefunden werden, um diese vor der Analyse angemessen zu behandeln. Das gilt auch für Analysen mit der Strukturgleichungsmodellierung (SEM). Zur Behandlung der fehlenden Werte, werden aktuell zwei Methoden präferiert: Direct-ML (ein Maximum Likelihood-Schätzverfahren) und die Multiple Imputation (MI). Während Direct-ML im SEM-Kontext in einigen Studien systematisch evaluiert wurde, gilt das für die MI nicht. Das kann darin begründet sein, dass für die MI verschiedene Varianten existieren, mit welchen die Ersetzung der fehlenden Werte jeweils unterschiedlich verläuft. Aufgrund ihrer Flexibilität ist die MI mittels conditional modeling (FCS) eine beliebte und oft eingesetzte Variante. Jedoch zeigt sich, dass deren Leistungsfähigkeit im SEM-Kontext kaum evaluiert wurde. In der vorliegenden Monte-Carlo-Studie wird diese Forschungslücke geschlossen, indem eine umfangreiche systematische Evaluation von FCS durchgeführt wird und verschiedene Spezifikationen von FCS untersucht werden (darunter eine mit predictive mean matching; PMM). Zusätzlich werden zum gegenüberstellenden Vergleich weitere Missing Data Techniken (MDTs) evaluiert. Das sind Direct-ML, eine Einfachimputation mit Expectation-Maximization (EM), zwei MI-Varianten mittels joint modeling Ansatz (EMB und MNV) sowie eine Variante, die bei der Imputation der fehlenden Werte die Modellstruktur des Analysemodells berücksichtigt (H0). Alle sieben MDTs werden im Kontext von drei verschiedenen SEM-Populationsmodellen unter unterschiedlichen Simulationskonfigurationen getestet. Zu den variierten Testbedingungen gehören: die Fallzahl, die Variablenskalierungen und -verteilungen sowie der Anteil an fehlenden Werten. Die Performanz der MDTs wird hinsichtlich verschiedener SEM-Fit-Indices, der geschätzten Parameter, deren Effizienz und der geschätzten Standardfehler bewertet. Im Ergebnis können zwei MDTs identifiziert werden, die unter allen Bedingungen zuverlässig arbeiten: Direct-ML und H0. Mit beiden Verfahren gehen für alle Performanzkriterien zufriedenstellende Ergebnisse einher. Die anderen MDTs schneiden dagegen etwas schlechter ab. Zwar liefern auch diese gute Ergebnisse für die Parameter und die Standardfehler (Letzteres mit Ausnahme von EM), allerdings nicht für die Fit-Indices (mit Ausnahme für das SRMR). In vielen Fällen kommt es nach dem Einsatz dieser MDTs zur fehlerbehafteten Modellbewertung. Deswegen werden die Ergebnisse der Arbeit in Handlungsempfehlungen übersetzt, die der Praxis als Orientierungshilfen dienen sollen, da sie angeben, unter welchen Bedingungen, mit welcher MDT zufriedenstellende Ergebnisse zu erwarten sind.