Regression mit fehlenden X: Eine Übersicht

Zusammenfassung Die Literatur der Regressionsanalyse mit fehlenden Werten der unabhängigen Variablen wird überprüft. Sechs Klassen von Verfahren werden unterschieden: vollständige Fallanalyse, verfügbare Fallmethoden, kleinste Quadrate auf imputierten Daten, Maximum-Likelihood, bayesianische Methoden und multiple Imputation. Methoden werden verglichen und veranschaulicht, wenn fehlende Daten auf eine unabhängige Variable beschränkt sind, und Erweiterungen zu allgemeineren Mustern werden angegeben. Es wird auf die Leistung der Methoden geachtet, wenn die fehlenden Daten nicht vollständig zufällig fehlen. Kleinste-Quadrate-Methoden, die fehlende X nur unter Verwendung von Daten zu den X ergänzen, werden mit likelikeitsbasierten Methoden verglichen, die Daten zu den X und Y verwenden. Letzteres wird bevorzugt und bietet Methoden zur Ausarbeitung des grundlegenden normalen linearen Regressionsmodells. Es wird vorgeschlagen, dass weiter verbreitete Software benötigt wird, die über die vollständige Fallanalyse, die verfügbare Fallanalyse und naive Imputationsmethoden hinausgeht. Bayesianische Simulationsmethoden und multiple Imputation werden überprüft; diese bieten fruchtbare Ansätze für zukünftige Forschungen.