TY - THES TI - New methods for generating significance levels from multiply-imputed data AU - Licht, Christine PY - 2010 PB - opus CY - Bamberg UR - https://fis.uni-bamberg.de/handle/uniba/263 LA - eng AB - Fehlende Daten sind ein allgegenwärtiges Problem bei statistischen Analysen, welches zu einem wichtigen Forschungsgebiet in angewandter Statistik geworden ist. Eine äußerst nützliche Technik zur Behandlung fehlender Daten ist multiple Imputation, welche zuerst von Rubin (1977, 1978) vorgeschlagen und in Rubin (1987) erweitert wurde. Aufgrund der Weiterentwicklung der Computerleistung in den letzten zehn Jahren ist multiple Imputation heute ein weithin bekanntes und sehr oft angewandtes Werkzeug für statistische Analysen. Dennoch existiert ein Problem in der Erzeugung von Signifikanzlevels aus multipel imputierten Daten, denn die Anwendung von multipler Imputation erfordert normal- oder t-verteilte Schätzer. Derzeit gibt es drei Methoden, welche Vorschläge von Rubin (1987) erweitern. Bei der von Li, Raghunathan und Rubin (1991) entwickelten Prozedur werden Signifikanzlevels durch Berechnung einer modifizierten Wald-Statistik erzeugt, welche eine F-Verteilung als Referenzverteilung besitzt. Diese Prozedur ist essentiell kalibriert, allerdings erfordert sie die Bereitstellung von Varianz-Kovarianz-Matrizen, die nicht standardmäßig in jedem Statistiksoftwarepaket gegeben ist. Meng und Rubin (1992) haben eine Prozedur vorgeschlagen, die auf Likelihoodratio-Test-Statistiken basiert und Zugang zu Programmcode für die Berechnung dieser Statistik benötigt. Dies ist allerdings bei den gängigen Statistikprogrammen nicht gegeben. Li, Meng, Raghunathan und Rubin (1991) entwickelten eine verbesserte Version einer Methode von Rubin (1987), die lediglich Chi-Quadrat-Statistiken von einem üblichen Wald-Test benötigt. Diese Methode ist aber nur approximativ kalibriert und hat einen substantiellen Powerverlust. Es existieren demnach drei Prozeduren um Signifikanzlevels von multipel imputierten Daten zu erzeugen, aber keine ist in ihrer Anwendung zufriedenstellend. Es ist somit sehr wichtig eine Methode zu finden, die die Vorteile der bestehenden Methoden beibehält und gleichzeitig die Nachteile eliminiert. Die Entwicklung einer solchen Methode war das Ziel der vorliegenden Dissertation. Nach einer kurzen Einführung in die Theorie der multiplen Information und die Präsentation der oben genannten drei Methoden, beschreiben wir eine neue Prozedur, die auf einer z-Transformation basiert. Wir zeigen analytisch, dass diese Methode für alle eindimensionalen Tests funktioniert. Für multidimensionale Tests ist diese Methode allerdings nicht geeignet. Bei der Suche nach einer neuen Prozedur für multidimensionale Tests haben wir ein generelles statistisches Problem entdeckt, welches bisher keine Beachtung zu finden scheint. Die Verwendung einer Chi-Quadrat-Verteilung anstatt der korrekten F-Verteilung, wenn Stichprobengröße klein ist, führt zu einem nicht vernachlässigbaren Fehler, vor allem für hohe Dimensionen des Schätzers. Wir präsentieren eine an dieses Problem angepasste Prozedur, welche die Freiheitsgrade von Barnard und Rubin (1999) für kleine Stichprobenumfänge komponentenweise benutzt. Wir analysieren diese Methode und die bereits bestehenden Prozeduren detailliert und vergleichen sie miteinander. Dabei haben wir eine umfangreiche Simulationsstudie mit 55296 verschiedenen Situationen durchgeführt. Um das Verhalten der vier Methoden unter den verschiedenen Bedingungen zu untersuchen, benutzen wir eine ANOVA um zunächst die wichtigsten Faktoren für die Verteilung der p-Werte nach der multiplen Imputation zu bestimmen. Anschließend betrachten wir die konkreten Ablehnungsraten der vier Methoden mit den original vorgeschlagenen Freiheitsgraden und mit anderen Freiheitsgrad-Kombinationen und vergleichen sie mit den jeweiligen nominalen Levels. Unsere Ergebnisse beschreiben wir ausführlich und werten unserer Studie detailliert aus. Basierend auf unseren Ergebnissen geben wir abschließend einige praktische Ratschläge zur korrekten Berechnung von Signifikanzlevels multipel imputierter Daten jeweils für die Datenerhebung, für die Datenergänzung und für die Datenanalyse. Schließlich geben wir einen Überblick über sehr anspruchsvolle weiterführende Fragestellungen. KW - Multiple Imputation , Signifikanzlevel KW - multiple imputation , combining rules , repeated p-values KW - Multiple Imputation KW - Signifikanzlevel KW - multiple imputation KW - combining rules KW - repeated p-values ER -