Ein in der Marktforschungspraxis häufig auftretendes Phänomen ist das Problem der fehlenden Werte innerhalb einer erhobenen Datenbasis. Dieses tritt auf, wenn Fragen durch den Interviewten nicht beantwortet werden können, Antworten verweigert werden oder wenn bei der Beantwortung einer Frage Werte angegeben werden, die sich außerhalb des vorgegebenen Antwortrahmens befinden. Liegt eine unvollständige Datenbasis vor, ist es zumeist nicht möglich, diese anhand multivariater Verfahren, wie z.B. der Varianz- oder Clusteranalyse zu analysieren. Diese gehen in ihren Grundannahmen von einer vollständigen Datenmatrix aus. Da fehlende Werte in einer Stichprobe auch zu verzerrten Untersuchungsergebnissen führen können, ist es notwendig, für dieses Problem Lösungsansätze zu finden. Der Marktforscher sieht sich vor die Frage gestellt, wie dieses Problem am sinnvollsten zu lösen ist.
Die vorliegende Seminararbeit liefert zunächst eine ausführliche Charakterisierung des Problems fehlender Werte (Begriffsdefinition, Ursachen etc.), um dann auf die einzelnen Testmöglichkeiten einzugehen, die zur Analyse der Datenbasis dienen. Der Schwerpunkt der Arbeit liegt auf der Darstellung der verschiedenen Verfahren zur Behandlung fehlender Werte (Eliminierungs-, Imputations- und Parameterschätzverfahren).
Inhaltsverzeichnis
1 Einführung
2 Charakterisierung des Problems fehlender Werte
2.1 Begriffsdefinition „fehlende Werte“
2.2 Ursachen fehlender Werte in der Datenbasis
2.3 Ausfallmechanismen
3 Analyse der zugrunde liegenden Datenbasis
3.1 Test auf MAR
3.2 Test auf MCAR
4 Verfahren zur Behandlung fehlender Werte
4.1 Eliminierungsverfahren
4.2 Imputationsverfahren
4.3 Parameterschätzverfahren
5 Diskussion und Bewertung
Zielsetzung & Themen
Die vorliegende Arbeit untersucht das in der Marktforschungspraxis häufig auftretende Problem fehlender Datenwerte und analysiert systematisch verschiedene Ansätze zu deren Behandlung. Ziel ist es, dem Anwender eine Entscheidungsgrundlage zu bieten, welches Verfahren – basierend auf dem vorliegenden Ausfallmechanismus und dem Analyseziel – am besten geeignet ist, um Verzerrungen in Untersuchungsergebnissen zu minimieren.
- Definition und Klassifikation fehlender Werte
- Analyse der Ursachen für unvollständige Datenbasen
- Darstellung statistischer Ausfallmechanismen (MAR, MCAR)
- Überprüfung der Datenbasis mittels Testverfahren
- Bewertung verschiedener Behandlungsstrategien (Eliminierung, Imputation, Parameterschätzung)
Auszug aus dem Buch
2.1 Begriffsdefinition „fehlende Werte“
Als fehlende Werte einer Datenerhebung bezeichnet man alle Werte, die bei der Beantwortung z.B. eines Fragebogens entweder ganz ausgelassen oder fehlerhaft beantwortet wurden. Somit sind sämtliche Variablenwerte, „die von den Befragten entweder außerhalb des zulässigen Beantwortungsintervalls vergeben oder überhaupt nicht eingetragen wurden“ (Backhaus et al. 2003, S.22) als fehlende Werte zu bezeichnen. Weitere Begriffe wie incomplete data, missing data, missing values oder auch fragmentary data werden synonym verwandt, am häufigsten findet man in der Literatur jedoch die englische Übersetzung „missing values“.
Eine weitere Unterscheidung ergibt sich hinsichtlich des Fehlens von Werten bezüglich einer Untersuchungseinheit. Sind einzelne Daten einer Untersuchungseinheit nicht vorhanden, so spricht man von „item nonresponse“. Dies wäre der Fall, wenn der Befragte zu einzelnen Fragen keine Angaben macht. Im Gegensatz dazu fehlen bei einem „unit nonresponse“ alle Angaben bezüglich einer Untersuchungseinheit, z.B. wenn der Befragte zu sämtlichen Fragen keine Angaben macht und den Fragebogen unbeantwortet lässt.
Zusammenfassung der Kapitel
1 Einführung: Dieses Kapitel erläutert die Relevanz fehlender Werte als Problem für multivariate statistische Analysen und skizziert die methodische Vorgehensweise der Arbeit.
2 Charakterisierung des Problems fehlender Werte: Hier werden fehlende Werte definiert, deren Ursachen aus Interviewer- und Befragtenperspektive beleuchtet und grundlegende Ausfallmechanismen dargestellt.
3 Analyse der zugrunde liegenden Datenbasis: Dieses Kapitel beschreibt Verfahren zur statistischen Überprüfung von Annahmen über den Ausfallmechanismus der Daten mittels MAR- und MCAR-Tests.
4 Verfahren zur Behandlung fehlender Werte: Es erfolgt eine detaillierte Vorstellung und Einordnung der drei Hauptgruppen von Behandlungsverfahren: Eliminierung, Imputation und Parameterschätzung.
5 Diskussion und Bewertung: Abschließend werden die vorgestellten Methoden hinsichtlich ihrer Vor- und Nachteile sowie ihrer Anwendbarkeit in Abhängigkeit von den gegebenen Datenbedingungen kritisch diskutiert.
Schlüsselwörter
Marktforschung, Fehlende Werte, Missing Values, Ausfallmechanismen, MAR, MCAR, Datenerhebung, Datenanalyse, Eliminierungsverfahren, Imputationsverfahren, Parameterschätzung, EM-Algorithmus, Datenmatrix, Item Nonresponse, Unit Nonresponse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt das Problem unvollständiger Datensätze in der Marktforschung und zeigt Wege auf, wie mit fehlenden Werten methodisch korrekt umgegangen werden kann.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der Definition und den Ursachen fehlender Daten, der Klassifikation von Ausfallmechanismen sowie der detaillierten Vorstellung technischer Lösungsverfahren wie Eliminierung, Imputation und Parameterschätzung.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, dem Marktforscher eine Orientierung zu bieten, welches Verfahren zur Datenbehandlung unter welchen Voraussetzungen die valide Auswertung der Daten am besten unterstützt.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer strukturierten theoretischen Aufarbeitung und Diskussion existierender statistischer Ansätze und Verfahren zur Behandlung von "missing values" in der Datenmatrix.
Was wird im Hauptteil behandelt?
Im Hauptteil werden zunächst die Identifikation und Analyse von Datenlücken (Kapitel 2 und 3) sowie anschließend die konkreten Lösungsverfahren (Kapitel 4) ausführlich dargestellt.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit ist charakterisiert durch Begriffe wie Marktforschung, Fehlende Werte, Ausfallmechanismen, MAR, MCAR und verschiedene statistische Schätz- und Eliminationsmethoden.
Wie unterscheidet die Arbeit zwischen item und unit nonresponse?
Von item nonresponse spricht man, wenn nur einzelne Fragen eines Fragebogens unbeantwortet bleiben, während unit nonresponse bedeutet, dass der gesamte Fragebogen einer Untersuchungseinheit ausfällt.
Warum ist der EM-Algorithmus ein wichtiges Thema in der Arbeit?
Der EM-Algorithmus wird als besonders geeignetes Verfahren zur Parameterschätzung bei MAR-konformen Daten hervorgehoben, da er iterative Ansätze nutzt, um Schätzwerte für Lücken in der Datenmatrix zu finden.
Welche Rolle spielen MAR und MCAR für die Wahl des Behandlungsverfahrens?
Diese Eigenschaften definieren den Ausfallmechanismus; während das Eliminierungsverfahren meist die strikte MCAR-Eigenschaft voraussetzt, können komplexere Verfahren wie die Parameterschätzung auch bei der Eigenschaft MAR angewandt werden.
- Quote paper
- Christina Daase (Author), 2005, Fehlende Werte in der Marktforschung - Problembehandlung und Diskussion, Munich, GRIN Verlag, https://www.grin.com/document/77567
