Fehlende Daten und multiple Imputation
Fehlende Daten (Missing Data) müssen in jeder Untersuchung berücksichtigt werden. Von fehlenden Daten spricht man, wenn der Wert einer Variablen nicht vorliegt. Die meisten Studien enthalten fehlende Daten, und dies betrifft sowohl Prädiktoren () als auch Zielgrößen (). Zur Erinnerung: Fehlt in einem Regressionsmodell der Wert einer Variablen ( oder ), wird die betreffende Person (der der Wert fehlt) nicht in das Modell aufgenommen. Dadurch verliert das Modell eine Beobachtung und damit Power. Alle statistischen Modelle werden umso besser, je mehr Beobachtungen in das Modell eingehen.
Man sollte sich vergewissern, wie häufig fehlende Werte (für jede Variable) vorkommen, und untersuchen, ob sich die Personen, die aus dem Modell ausgeschlossen werden, von denen unterscheiden, die im Modell verbleiben. Letzteres lässt sich mit einer deskriptiven Tabelle umsetzen, in der die Merkmale der eingeschlossenen und der ausgeschlossenen Personen gegenübergestellt werden. Unterscheiden sich die Merkmale nicht nennenswert, kann man annehmen, dass die Daten missing at random sind, das heißt, dass der Wert rein zufällig fehlt. Ist dies der Fall, beeinträchtigen die fehlenden Werte die Validität des Modells nicht. Es ist außerdem möglich, fehlende Werte zu imputieren, das heißt, alle fehlenden Werte durch plausible Werte zu ersetzen. Die Imputation sollte mit dem Verfahren der multiplen Imputation erfolgen.