Irgendwann trifft es jede empirische Abschlussarbeit: Du zählst deine auswertbaren Fälle und stellst fest, dass die Zahl kleiner ist als gedacht. Bei Item 14 haben 23 Personen nichts angegeben, drei Fragebögen brechen nach der Hälfte ab, und in der Einkommensfrage klafft eine Lücke, die verdächtig systematisch aussieht. Die naheliegende Reaktion ist, die betroffenen Fälle zu löschen oder die Lücken mit dem Mittelwert zu füllen — und beides ist in den meisten Fällen die falsche Entscheidung.
Der Grund ist einfacher, als er klingt: Es ist nicht die Menge der fehlenden Werte, die über das richtige Verfahren entscheidet, sondern ihr Muster. Zehn Prozent Ausfall, die rein zufällig entstanden sind, sind methodisch harmlos. Drei Prozent Ausfall, die alle aus derselben Teilgruppe stammen, können deine Ergebnisse kippen. Dieser Beitrag zeigt dir, wie du den Unterschied erkennst, was du daraufhin tun darfst und wie du beides so aufschreibst, dass es der Prüfung standhält.
Die kurze Antwort
Bestimme zuerst, warum die Werte fehlen. Die Methodenliteratur unterscheidet drei Mechanismen: völlig zufälliges Fehlen (MCAR), Fehlen, das sich durch andere erhobene Variablen erklären lässt (MAR), und Fehlen, das vom nicht beobachteten Wert selbst abhängt (MNAR). Bei MCAR darfst du unvollständige Fälle ausschließen, ohne die Schätzungen zu verzerren — du verlierst nur Präzision. Bei MAR ist multiple Imputation das Mittel der Wahl. Bei MNAR gibt es keine Reparatur, sondern nur eine ehrliche Sensitivitätsanalyse und eine deutliche Einschränkung in der Diskussion.
Was in keinem der drei Fälle gut ist: die Lücken mit dem Mittelwert der Variablen zu füllen und danach so weiterzurechnen, als wären es echte Beobachtungen.
Warum „einfach löschen“ die Stichprobe verändert
Der listenweise Fallausschluss — jeder Fall mit mindestens einem fehlenden Wert fliegt raus — ist die Voreinstellung fast jeder Statistiksoftware. Genau deshalb passiert er oft unbemerkt. Du rechnest eine Regression mit acht Prädiktoren, und plötzlich beruht das Modell auf 134 statt 197 Fällen, weil sich die Lücken über verschiedene Variablen verteilen und sich beim Ausschluss addieren.
Zwei Dinge passieren dabei gleichzeitig. Erstens sinkt die Fallzahl, und mit ihr die Teststärke: Effekte, die real sind, werden nicht mehr signifikant. Zweitens — und das ist der ernstere Punkt — bleibt die verbleibende Stichprobe nur dann repräsentativ für deine Grundgesamtheit, wenn der Ausfall wirklich zufällig war. War er es nicht, hast du keine kleinere Stichprobe, sondern eine andere. Wenn Personen mit hoher Arbeitsbelastung die Fragen zur Belastung überspringen, beschreibt dein bereinigter Datensatz eine entspanntere Population, als du eigentlich untersuchen wolltest.
Der paarweise Ausschluss, bei dem jede Korrelation auf allen dafür verfügbaren Fällen berechnet wird, umgeht den Fallzahlverlust — erzeugt dafür aber eine Korrelationsmatrix, deren Zellen auf unterschiedlichen Teilstichproben beruhen. Für einfache deskriptive Zwecke ist das vertretbar, für multivariate Verfahren wird es schnell inkonsistent.
Die drei Ausfallmechanismen
Die Begriffe stammen aus der Literatur zur Behandlung unvollständiger Daten und sind international einheitlich — du wirst sie in jedem Methodenbuch und in jeder Statistiksoftware in dieser englischen Abkürzung finden. Stef van Buuren behandelt sie im frei zugänglichen Standardwerk Flexible Imputation of Missing Data gleich im Einführungskapitel, noch vor allen Verfahren. Diese Reihenfolge ist kein Zufall: Ohne den Mechanismus ist die Verfahrensfrage nicht beantwortbar.
MCAR — Missing Completely At Random
Die Wahrscheinlichkeit, dass ein Wert fehlt, hängt weder von beobachteten noch von unbeobachteten Merkmalen ab. Der Fragebogen wurde beim Kopieren am Rand beschnitten, ein Gerät hat an einem Tag nicht aufgezeichnet, eine Person wurde beim Ausfüllen unterbrochen. Das ist der freundlichste Fall — und der seltenste. MCAR verkleinert deine Stichprobe, verzerrt sie aber nicht.
MAR — Missing At Random
Der Ausfall hängt von Variablen ab, die du erhoben hast. Beispiel: Jüngere Befragte überspringen die Einkommensfrage häufiger als ältere. Das Fehlen ist damit nicht zufällig — aber es ist erklärbar, weil das Alter im Datensatz steht. Genau darauf setzen moderne Verfahren auf: Sie nutzen die vorhandene Information, um die Lücken statistisch begründet zu füllen. MAR ist der Fall, in dem Imputation ihren eigentlichen Sinn entfaltet.
MNAR — Missing Not At Random
Der Ausfall hängt vom fehlenden Wert selbst ab. Wer sehr viel oder sehr wenig verdient, verschweigt das Einkommen; wer stark belastet ist, bricht den Belastungsfragebogen ab. Die Information, die du zur Korrektur bräuchtest, ist genau die, die dir fehlt. Aus den Daten allein lässt sich MNAR nicht widerlegen und auch nicht beheben. Was bleibt, ist inhaltliche Argumentation plus eine Rechnung, die zeigt, wie stark deine Schlussfolgerung von der Annahme abhängt.
Wie du herausfindest, welcher Fall bei dir vorliegt
Es gibt keinen Test, der dir „MAR“ ausgibt. Was du tun kannst, ist eine Ausfallanalyse in drei Schritten — und die ist mit jeder Software in einer Viertelstunde erledigt.
- Zähle pro Variable. Wie viele Werte fehlen, absolut und in Prozent? Eine Variable mit 40 Prozent Ausfall ist ein anderes Problem als zwanzig Variablen mit je zwei Prozent.
- Sieh dir das Muster über die Fälle an. Fehlen die Angaben verstreut oder konzentriert? Ein monotones Muster — ab einer bestimmten Frage fehlt alles Weitere — deutet auf Abbrüche hin und ist inhaltlich etwas völlig anderes als vereinzelte Auslassungen mitten im Bogen.
- Vergleiche Ausfallende mit Antwortenden. Bilde eine Hilfsvariable, die für jeden Fall festhält, ob der Wert fehlt oder nicht, und vergleiche die beiden Gruppen in allen anderen Merkmalen: Alter, Geschlecht, Studiengang, Erhebungswelle. Findest du systematische Unterschiede, ist MCAR vom Tisch — und du hast zugleich die Variablen identifiziert, die in ein Imputationsmodell gehören.
Dieser dritte Schritt ist der wertvollste, und er wird fast nie gemacht. Er kostet dich eine Kreuztabelle und liefert dir einen Absatz für den Methodenteil, der methodische Reife signalisiert. Voraussetzung ist allerdings, dass du fehlende Angaben von Anfang an sauber und nach Ursache getrennt codiert hast — wie das geht, steht in der Anleitung zum Codebuch für deinen Datensatz. Wer „weiß nicht“ und „keine Angabe“ in einen Topf wirft, kann diese Analyse hinterher nicht mehr rekonstruieren.
Welches Verfahren wann vertretbar ist
| Situation | Vertretbares Vorgehen | Was du berichten musst |
|---|---|---|
| Wenige Ausfälle, keine Gruppenunterschiede (MCAR plausibel) | Vollständige Fälle analysieren | Fallzahl vor und nach Ausschluss, Ergebnis der Ausfallanalyse |
| Ausfall durch erhobene Variablen erklärbar (MAR) | Multiple Imputation | Imputationsmodell, Zahl der Imputationen, Software |
| Ausfall hängt vermutlich vom Wert selbst ab (MNAR) | Hauptanalyse plus Sensitivitätsanalyse | Annahmen, Bandbreite der Ergebnisse, Einschränkung in der Diskussion |
| Eine einzelne Variable mit sehr hohem Ausfall | Variable aus dem Modell nehmen oder deskriptiv behandeln | Begründung, warum sie nicht in die Inferenz eingeht |
Die vierte Zeile wird oft übersehen. Wenn eine Variable zur Hälfte fehlt, ist die ehrlichste Lösung meist, sie nicht zu retten, sondern aus dem Modell zu nehmen und das zu begründen. Eine Analyse, die auf halb erfundenen Werten beruht, ist schwächer als eine, die eine Frage offen lässt.
Warum die Mittelwertersetzung das Problem nur verschiebt
Der Mittelwert einzusetzen wirkt harmlos: Der Durchschnitt der Variablen bleibt exakt gleich. Genau das ist das Problem. Jeder eingesetzte Wert liegt per Konstruktion in der Mitte, also streut die Variable nach der Ersetzung weniger als vorher. Standardabweichung und Varianz fallen zu klein aus, Konfidenzintervalle werden zu eng, und p-Werte werden zu klein. Anders gesagt: Das Verfahren erzeugt eine Scheinsicherheit, die du nicht erhoben hast. Zusätzlich werden Zusammenhänge zwischen Variablen abgeschwächt, weil die eingesetzten Werte mit nichts korrelieren.
Van Buuren führt die Mittelwertersetzung in seinem Buch folgerichtig nicht unter den Lösungen, sondern im Abschnitt zu den Ad-hoc-Lösungen — gemeinsam mit listenweisem und paarweisem Ausschluss, Regressionsimputation ohne Zufallsanteil und dem Fortschreiben des letzten beobachteten Wertes. Das ist keine Geschmacksfrage, sondern eine Aussage über die statistischen Eigenschaften dieser Verfahren.
Wenn du in einer Bachelorarbeit dennoch mit einer einfachen Ersetzung arbeitest, weil dir Zeit oder Werkzeug fehlen, ist das kein Weltuntergang — aber dann gehört genau dieser Satz in die Limitationen: dass die berichteten Streuungsmaße die tatsächliche Unsicherheit unterschätzen.
Multiple Imputation, kurz erklärt
Statt einen Wert einzusetzen, erzeugt multiple Imputation mehrere vollständige Versionen deines Datensatzes, die sich in den ergänzten Werten unterscheiden. Du rechnest deine Analyse in jedem dieser Datensätze und fasst die Ergebnisse anschließend nach festen Regeln zusammen. Der Vorteil steckt genau in dieser Streuung zwischen den Datensätzen: Sie trägt die Unsicherheit über die fehlenden Werte in dein Endergebnis hinein, statt sie zu verstecken.
Im deutschsprachigen Raum ist das gängigste freie Werkzeug dafür das R-Paket mice („Multivariate Imputation by Chained Equations“), das über das offizielle Paketarchiv CRAN verfügbar ist; die kommerziellen Statistikprogramme bringen entsprechende Module mit. Für eine Bachelorarbeit ist der Einstieg überschaubar, sobald du weißt, welche Variablen ins Imputationsmodell gehören — nämlich alle, die den Ausfall erklären, und alle, die in deiner späteren Analyse vorkommen.
Ein Punkt, der oft falsch verstanden wird: Imputation ist keine Vorhersage. Ziel ist nicht, den wahrscheinlichsten Wert zu treffen, sondern die Verteilung und die Zusammenhänge im Datensatz korrekt abzubilden. Deshalb enthalten imputierte Werte bewusst einen Zufallsanteil — ein Vorgehen, das zunächst kontraintuitiv wirkt und genau deshalb erklärt werden sollte, wenn du es einsetzt.
Die Sensitivitätsanalyse, die deine Arbeit trägt
Wenn du MNAR nicht ausschließen kannst — und das kannst du fast nie —, rettet dich nicht ein besseres Verfahren, sondern eine zusätzliche Rechnung. Die Idee: Du wiederholst deine Hauptanalyse unter einer bewusst ungünstigen Annahme und zeigst, ob deine Schlussfolgerung stehen bleibt.
Konkret kann das so aussehen: Du rechnest das Modell einmal mit vollständigen Fällen, einmal mit multipler Imputation, und einmal unter der pessimistischen Annahme, dass alle Ausfallenden im interessierenden Merkmal am ungünstigsten Rand liegen. Kommen alle drei Rechnungen zur selben Richtung, ist dein Befund robust — und das ist ein stärkeres Ergebnis, als ein einzelner p-Wert es je sein könnte. Weichen sie voneinander ab, weißt du, wie weit du deine Aussage tragen darfst.
Diese drei Zeilen gehören anschließend als kleine Tabelle in den Ergebnisteil; wie du Tabellen dort sauber einbindest und beschriftest, zeigt der Beitrag zum Ergebnisteil der Bachelorarbeit.
Der Methodenteil wächst mit deiner Analyse mit. Ausfallanalyse, Verfahrenswahl und Sensitivitätsrechnung gehören an drei verschiedene Stellen deiner Arbeit — und zwar in dem Moment, in dem du sie machst, nicht Wochen später aus der Erinnerung. Starte deine Abschlussarbeit kostenlos mit Tesify und halte Methodik, Quellen und Kapitel an einem Ort zusammen.
Wie du fehlende Werte korrekt berichtest
Hier wird es angenehm konkret, denn es gibt eine international anerkannte Vorgabe dafür. Die STROBE-Checkliste für Beobachtungsstudien — abrufbar über die offizielle STROBE-Checklistenseite — verlangt unter Punkt 12 zu den statistischen Methoden ausdrücklich: „Explain how missing data were addressed.“ Und unter Punkt 14 zu den deskriptiven Daten: „Indicate number of participants with missing data for each variable of interest.“
Damit ist der Auftrag klar zweigeteilt. In den Methodenteil gehört das Verfahren, in den Ergebnisteil gehören die Zahlen pro Variable. Die meisten studentischen Arbeiten liefern weder das eine noch das andere und schreiben stattdessen einen Satz wie „vereinzelt fehlende Angaben wurden ausgeschlossen“. Welche Checkliste für dein Studiendesign überhaupt zuständig ist, klärt der Überblick zu den Berichtsrichtlinien jenseits von PRISMA.
Eine Formulierung, die beides erfüllt, sieht etwa so aus: „Von 197 auswertbaren Fragebögen wiesen 22 (11,2 %) mindestens eine fehlende Angabe auf; am häufigsten betroffen war die Einkommensfrage mit 18 Ausfällen (9,1 %). Ausfallende und Antwortende unterschieden sich nicht signifikant in Alter und Geschlecht. Die Hauptanalyse beruht auf vollständigen Fällen; eine Wiederholung mit multipler Imputation führte zu gleichgerichteten Koeffizienten.“ Drei Sätze, und der Punkt ist abgeräumt. Wo dieser Absatz genau hingehört, zeigt die Schritt-für-Schritt-Anleitung zum Methodik-Teil.
Fünf Fehler, die regelmäßig vorkommen
- Den Ausfall gar nicht erwähnen. Wenn zwischen Tabelle 2 und Tabelle 4 die Fallzahl sinkt und niemand erklärt warum, fällt das in der Bewertung auf.
- Eine feste Prozentgrenze aus dem Internet übernehmen. „Bis 5 Prozent ist unproblematisch“ gilt nur, wenn der Ausfall zufällig ist. Bei systematischem Ausfall können auch drei Prozent das Ergebnis drehen.
- Imputieren und dann so tun, als wären es Messwerte. Imputierte Werte dürfen nicht in Häufigkeitstabellen auftauchen, als wären sie erhoben worden.
- Die abhängige Variable imputieren und trotzdem alle Fälle berichten. Wenn dein Zielmerkmal fehlt, trägt der Fall zur eigentlichen Frage nichts bei — das gehört ausgewiesen.
- Das Verfahren nachträglich wählen. Wer erst rechnet und dann die Variante nimmt, die signifikant wird, betreibt keine Sensitivitätsanalyse, sondern das Gegenteil davon.
Häufig gestellte Fragen
Ab wie vielen fehlenden Werten wird es kritisch?
Es gibt keine gültige feste Schwelle. Entscheidend ist das Zusammenspiel aus Anteil und Muster: Ein hoher, aber zufälliger Ausfall kostet vor allem Teststärke; ein niedriger, aber systematischer Ausfall verzerrt. Berichte deshalb immer beides — den Anteil und das Ergebnis deines Gruppenvergleichs.
Darf ich in einer Bachelorarbeit überhaupt imputieren?
Ja, sofern du es beschreibst und begründest. Verlangt wird es selten. Wenn du dich dagegen entscheidest, ist das völlig in Ordnung — dann gehört die Begründung in den Methodenteil und die Konsequenz in die Limitationen.
Wie viele imputierte Datensätze brauche ich?
Die Zahl der Imputationen ist ein eigener Diskussionspunkt der Fachliteratur und hängt vom Anteil fehlender Information ab. Für eine studentische Arbeit ist entscheidend, dass du die gewählte Zahl nennst und nicht stillschweigend die Voreinstellung deiner Software übernimmst.
Was mache ich bei abgebrochenen Fragebögen?
Trenne Abbrüche von punktuellen Auslassungen. Wer nach der dritten Frage aufhört, liefert ein monotones Ausfallmuster und ist inhaltlich ein anderer Fall als jemand, der nur eine heikle Frage überspringt. Beide Gruppen gehören getrennt gezählt.
Gilt das auch für qualitative Arbeiten?
Die Begriffe stammen aus der quantitativen Forschung, das Grundproblem gibt es aber genauso: Wenn bestimmte Personen ein Interview abbrechen oder Fragen ausweichen, ist das ein Befund und keine Lücke. Dokumentiere es und deute es inhaltlich, statt es zu übergehen.
Kann ich fehlende Werte einfach als eigene Kategorie führen?
Bei kategorialen Variablen ist eine Kategorie „keine Angabe“ in der Deskription sinnvoll und transparent. In Regressionsmodellen ist dieses Vorgehen — die sogenannte Indikatormethode — dagegen problematisch, weil es die Schätzungen verzerren kann. Für die Tabelle ja, für das Modell besser nicht.
Was schreibe ich, wenn ich MNAR vermute, aber nichts beweisen kann?
Genau das. Formuliere die Vermutung, nenne den inhaltlichen Grund, zeige mit einer Sensitivitätsrechnung, wie stark dein Ergebnis davon abhängt, und ziehe die Konsequenz in der Diskussion. Eine benannte Unsicherheit ist ein methodischer Beitrag; eine verschwiegene ist ein Mangel.
Fazit
Fehlende Werte sind kein technisches Ärgernis, das man vor der eigentlichen Auswertung wegräumt, sondern eine inhaltliche Frage über deine Stichprobe. Die Reihenfolge, die trägt, ist immer dieselbe: zählen, das Muster ansehen, Ausfallende mit Antwortenden vergleichen, daraus das Verfahren ableiten, und am Ende beides berichten — die Zahlen pro Variable im Ergebnisteil, die Entscheidung im Methodenteil. Wer diesen Weg geht, verliert vielleicht ein paar Fälle, gewinnt aber etwas, das in der Bewertung deutlich mehr zählt: eine Arbeit, deren Grenzen sichtbar und begründet sind.