STATISTIK-FORUM.de

[mockel]

Hallo
im Rahmen meiner Masterarbeit führe ich eine binäre logistische Regression durch und wollte mal fragen, ob es bei diesem Verfahren die Möglichkeit gibt, fehlende Werte mittels des paarweisen Ausschlusses in die Berechnung zu integrieren.
Ich arbeite mit SPSS- bei der Berechnung der logistischen Regression werden jedoch aktuell die fehlenden Werte komplett (listenweisen) ausgeschlossen und ich finde keine Möglichkeit, dies in SPSS zu ändern.

Für Tipps wäre ich sehr dankbar.

[Kopernikus]

Über den Syntax lässt sich lediglich einstellen, dass Fälle mit benutzerdefiniert fehlenden Werten in die Analyse aufgenommen werden. Du müsstest dafür nur folgendes einfügen:

/MISSING = INCLUDE

LOGISTIC REGRESSION excludes all cases with missing values on any of the independent variables. For a case with a missing value on the dependent variable, predicted values are calculated if it has nonmissing values on all independent variables. The MISSING subcommand controls the processing of user-missing values. If the subcommand is not specified, the default is EXCLUDE. EXCLUDE deletes cases with user-missing values as well as system-missing values. This setting is the default. INCLUDE includes user-missing values in the analysis.

/MISSING = {EXCLUDE **} {INCLUDE }

[daniel]

[...]fehlende Werte mittels des paarweisen Ausschlusses in die Berechnung zu integrieren.

Hier mein Tipp: besser Fallweise ausschließen. Allison (2002) fasst verschiedene Strategien mit fehlenden Werten umzugehen zusammen und Paarweiser Ausschluss kommt da ganz schlecht weg.

Allison, P.D. (2002) Missing Data. Thousand Oaks, CA: Sage.

[Link gesetzt durch Admin]

[Michael]

Ich gehe mal davon aus, dass Du mehr als 1 UV für Deine logistische Regression hast (sonst wäre paarweise Fallausschluss ja das gleiche wie listwise). Und wenn mehr als eine UV vorhanden sind, kannst du keinen paarweise Fallausschluss machen, weil man eine Regression nur über Fälle berechnen kann, die in allen UVs (und der AV) einen Wert aufweisen.

Falls Du genügend Fälle hast, würde ich Multiple Imputation o.ä. ausprobieren.

LG,
Michael

[mockel]

Vielen Dank an alle, die geantwortet haben...ich habe nun alle Möglichkeiten noch einmal durchgerechnet- hier die Ergebnisse im Überblick, für alle, die es interessiert.
Wenn ich MISSING=INCLUDE wähle, werden alle missings mit in die Analyse integriert, jedoch bieten sich hier keine gewinnbringenden Interpretationsmöglichkeiten (Vergleich mit Referenzkategorie). Ich bekomme sogar ganz seltsame Werte heraus (z.B. bei der Tabelle "Variablen in der Gleichung": Regressionskoeffizient -20; Exp (B) .000; Sign. .999) (wohl aufgrund der geringen Anzahl an Personen mit fehlenden Werten).
Wähle ich dagegen MISSING=LISTWISE oder MISSING=PAIRWISE erhalte ich die gleichen Ergebnisse (alle auswertbar),jedoch ändern sich meine Modellgütekriterien etwas- im Vergleich zu MISSING INCLUDE (Chi-Quadrat wird etwas kleiner; gleiches gilt für Nagelkerkes R-Quadrat).

LG