Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/182156 
Erscheinungsjahr: 
2018
Schriftenreihe/Nr.: 
IAB-Discussion Paper No. 16/2018
Verlag: 
Institut für Arbeitsmarkt- und Berufsforschung (IAB), Nürnberg
Zusammenfassung: 
Applications of multiple imputation have long outgrown the traditional context of dealing with item nonresponse in cross-sectional datasets. Nowadays multiple imputation is also applied to impute missing values in hierarchical datasets, address confidentiality concerns, combine data from different sources, or correct measurement errors in surveys. However, software developments did not keep up with these recent extensions. Most imputation software can only deal with item nonresponse in cross-sectional settings and extensions for hierarchical data - if available at all - are typically limited in scope. Furthermore, to our knowledge no software is currently available for dealing with measurement error using multiple imputation approaches. The R package hmi tries to close some of these gaps. It offers multiple imputation routines in hierarchical settings form any variable types (for example, nominal, ordinal, or continuous variables). It also provides imputation routines for interval data and handles a common measurement error problem in survey data: Biased inferences due to implicit rounding of the reported values. The user-friendly setup which only requires the data and optionally the specification of the analysis model of interest makes the package especially attractive for users less familiar with the peculiarities of multiple imputation. The compatibility with the popular mice package ensures that the rich set of analysis and diagnostic tools and post-imputation commands available in mice can be used easily once the data have been imputed.
Zusammenfassung (übersetzt): 
Anwendungen von Multipler Imputation sind längst über den klassischen Kontext der Behandlung von fehlenden Beobachtungen in Querschnittsstudien herausgewachsen. Heutzutage wird Multiple Imputation auch verwendet um fehlenden Werten in hierarchischen Datensätzen zu imputieren, um Vertraulichkeits-Interessen zu begegnen, um Datensätze aus verschiedenen Quellen zu kombinieren oder um Messfehler aus Erhebungen zu korrigieren. Die meiste Imputationssoftware kann allerdings nur mit fehlenden Beobachtungen in Querschnittsdaten umgehen und Erweiterungen für hierarchische Daten - sofern überhaupt vorhanden - sind typischerweise in ihrem Umfang begrenzt. Unserem Kenntnisstand nach, ist aktuell keine Software für den Umgang mit Messfehlern, basierend auf Multiplen Imputationsmethoden, vorhanden. Das R-Packet hmi versucht einige dieser Lücken zu schließen. Es bietet Multiple Imputationsroutinen in hierarchischen Settings für viele Variablentypen (zum Beispiel nominal, ordinal oder stetige Variablen). Zudem stellt es Imputationsmethoden für Intervalldaten bereit und behandelt ein übliches Messfehlerproblem in Befragungsdaten: Verzerrungen aufgrund impliziten Rundens der berichteten Werte. Der nutzerfreundliche Aufbau, der nur die Daten und optional eine Spezifizierung des Analysemodels benötigt, macht das Paket besonders attraktiv für Nutzer die weniger vertraut mit den Besonderheiten von Multipler Imputation sind. Die Kompatibilität mit dem populären Paket mice stellt sicher, dass der reichhaltige Satz an Analyse- und Diagnosewerkzeugen, und Befehlen für das Imputationsergebnis aus mice, einfach angewandt werden kann, sobald die Daten imputiert wurden.
Schlagwörter: 
hierarchical data
multiple imputation
multilevel models
measurement error
heaping
R
JEL: 
C38
C83
Dokumentart: 
Working Paper

Datei(en):
Datei
Größe
513.4 kB





Publikationen in EconStor sind urheberrechtlich geschützt.