Fehlende Daten in SPSS können auf zwei Arten definiert werden, als systemfehlende oder fehlende Werte des Benutzers. Bei den fehlenden Systemdaten fehlen Daten, die nicht im Dataset vorhanden sind und an einer leeren Zelle (oder einem Punkt) erkannt werden können. Fehlende Benutzerdaten sind Daten, die vom Benutzer als fehlende Werte im Dataset codiert werden. Betrachten wir zum Beispiel einen kleinen Datensatz mit 50 Rückenschmerzen- und männlichen (kodiert als 1) und weiblichen (kodiert als 0) Patienten (Abbildung 2.1). Die Spalte N zeigt die Anzahl der nicht fehlenden Werte pro Variable an. Da wir insgesamt 464 Fälle haben, (464 – N) ist die Anzahl der fehlenden Werte pro Variable. Wenn Variablen einen hohen Prozentsatz an Fehlfehltigkeit aufweisen, können Sie sie von -besonders multivariaten Analysen ausschließen. Wichtig ist, beachten Sie, dass Valid N (listwise) = 309. Dies sind die Fälle ohne fehlende Werte für alle Variablen in dieser Tabelle.
Bei einigen Verfahren werden nur die 309 Fälle verwendet, die als listenweiser Ausschluss fehlender Werte in SPSS bezeichnet werden. Fazit: Keine unserer Variablen – Spalten von Zellen in der Datenansicht – haben enorme Prozentsätze der Fehlart. Lassen Sie uns nun sehen, ob irgendwelche Fälle – Zeilen von Zellen in der Datenansicht – viele fehlende Werte haben. Innerhalb der meisten Funktionen in müssen die Handhabung von NA-Werten definiert werden, da sonst die Funktion eine NA als Ergebnis zurückgibt. Der folgende Code zum Abrufen des Mittelwerts des Gestationsalters führt z. B. zu einer NA. Der Unterschied zu MAR besteht darin, dass bei MNAR das fehlende Datenproblem nicht mit einer Technik als Multiple Imputation gelöst werden kann. Wie bei MAR-Daten können mNAR-Daten jedoch auch nicht überprüft werden, da Informationen über die fehlenden Werte erforderlich sind. Beachten Sie, dass 11 jetzt unter den fehlenden Werten angezeigt wird.
Es tritt 6 mal in q1 und es gibt auch 14 System fehlende Werte. In der Variablenansicht sehen wir auch, dass 11 als Fehlenwert des Benutzers für q1 bis q9 festgelegt ist. Eine superschnelle Möglichkeit, fehlende Werte pro Variable zu überprüfen (System und Benutzer), ist die Ausführung einer grundlegenden DESCRIPTIVES-Tabelle. Bevor Sie dies tun, stellen Sie sicher, dass Sie kein WEIGHT oder FILTER eingeschaltet haben. Sie können dies überprüfen, indem Sie SHOW WEIGHT FILTER N ausführen. Beachten Sie auch, dass es 464 Fälle in diesen Daten gibt. Lassen Sie uns nun die beschreibenden Statistiken überprüfen. In einer MAR-fehlenden Datensituation können fehlende Werte durch andere (beobachtete) Variablen erklärt werden, wie im MAR-Datenbeispiel der oben genannten Behinderungs- und Schmerzvariablen.
Ferner wurde festgestellt, dass innerhalb der Kategorie der Schmerzpunkte 5 die Behinderungs-Scores MCAR sind. Dies bedeutet, dass der mittlere Unterschied der Behinderung zwischen Personen mit niedrigen und hohen Schmerzwerten zwischen den beobachteten und fehlenden Daten gleich ist. Dies wird anhand der mittleren Invaliditätswerte in Tabelle 2.1 veranschaulicht. Dies ist eine wichtige Folge von MAR-Daten, insbesondere bei mehrfacher Imputation, bei der Regressionsmodelle verwendet werden, um fehlende Daten zu unterstellen.