- Veröffentlicht
- Aktualisiert
Die Auswahl einer Methode für fehlende Daten ist mehr als die Wahl einer Softwareoption. Gründe für das Fehlen, frühere Messungen und der Behandlungsverlauf helfen zu bewerten, ob die Annahmen hinter einer Analyse unter den konkreten Studienbedingungen plausibel sind.
Fragestellung und Annahmen festlegen
Prüfen Sie Muster nach Zeitpunkt, Arm und bekanntem Grund. Ein Fehlen, das durch beobachtete Informationen erklärbar ist, unterscheidet sich von einem Fehlen, das zusätzlich vom unbeobachteten Ergebnis abhängt. Die Daten können nicht jede Annahme verifizieren; klinische Kolleginnen und Kollegen sollten die Bedingungen verstehen, unter denen der gewählte statistische Ansatz die beabsichtigte Interpretation stützt.
Hypothetisches Studienbeispiel
In einer hypothetischen Studie versäumen Teilnehmende, die über eine Symptomverschlechterung berichten, häufiger den folgenden Fragebogen. Das Team prüft frühere Messungen und dokumentierte Gründe. Es berücksichtigt eine mögliche Abhängigkeit vom unbeobachteten Ergebnis, statt einen niedrigen Gesamtanteil fehlender Daten als ausreichende Entwarnung für die resultierende Schätzung zu betrachten.
Prüfpunkte für die Designbewertung
- Beschreiben Sie fehlende Daten anhand von Mustern und Gründen statt durch einen einzigen Gesamtprozentsatz.
- Bestätigen Sie, dass beobachtete Variablen zur Stützung der Annahme tatsächlich zuverlässig erhoben wurden.
- Planen Sie Sensitivitätsbewertungen, die bedeutsame Abweichungen von der Hauptannahme darstellen.
Entscheidung und ihre Grenzen dokumentieren
Ein akzeptierter Plan verknüpft mathematische Begriffe mit klinischen Szenarien. Berichten Sie Unsicherheit, wenn die Gründe für fehlende Daten selbst unvollständig oder unzuverlässig sind. Eine erfolgreiche Modellausführung beweist nicht die Richtigkeit ihrer Annahmen. Erläutern Sie, wie sich Schlussfolgerungen unter plausiblen Alternativen ändern, statt jede Alternative gezielt so zu wählen, dass sie den bevorzugten Hauptbefund erhält.
Häufig gestellte Fragen
- Ist ein geringer Anteil fehlender Daten immer unbedeutend?
- Nein. Gründe und Verteilung zwischen den Gruppen können den Einfluss verändern.
- Lässt sich die Annahme anhand des Datensatzes beweisen?
- Meist nicht vollständig; klinische Begründung und Sensitivitätsbewertung bleiben erforderlich.