Sie sind hier: Startseite / Das IPN / Archiv / Doktorand des IPN mit Fakultätspreis der Universität Kiel ausgezeichnet

Doktorand des IPN mit Fakultätspreis der Universität Kiel ausgezeichnet

7. Juni 2018
Doktorand des IPN mit Fakultätspreis der Universität Kiel ausgezeichnet

(C): CAU Kiel

Dr. Simon Grund wurde gestern der Fakultätspreis 2017 der Philosophischen Fakultät der Christian-Albrechts-Universität zu Kiel verliehen. Mit dem Preis wird jährlich eine herausragende Dissertation der Fakultät ausgezeichnet. Er ist mit 1000 Euro dotiert. Gestern Abend nahm der Preisträger die Auszeichnung aus den Händen des Universitätspräsidenten Prof. Dr. Lutz Kipp im Rahmen eines Festaktes entgegen.

Simon Grund, Mitarbeiter der Abteilung Pädagogisch-Psychologische Methodenlehre am IPN, hat bei Prof. Dr. Oliver Lüdtke (IPN) seine Promotionsarbeit im Fachbereich Psychologie mit der Auszeichnung "summa cum laude" abgeschlossen. Der Titel der Dissertation lautet: „Multiple Imputation of Missing Data in Multilevel Research“.

In seiner Dissertation hat er sich mit der Behandlung fehlender Werte beschäftigt. In der psychologischen Forschung weisen empirische Daten häufig fehlende Werte auf, zum Beispiel wenn Schülerinnen und Schüler in einem Test eine Aufgabe überspringen oder auf bestimmte Fragen in einem Fragebogen nicht antworten. Ein derart „löchriger“ Datensatz kann bei der Auswertung große Probleme aufwerfen. Treten fehlende Werte nämlich systematisch auf, sodass zum Beispiel leistungsschwache Schüler und Schülerinnen stärker von fehlenden Werten betroffen sind, so können statistische Schlussfolgerungen verzerrt ausfallen. Doch auch wenn fehlende Werte vollkommen zufällig auftreten, stellen sie ein Problem dar, da sie die Anzahl der Datenpunkte und somit die Präzision der Schlussfolgerungen verringern.

In der statistischen Literatur werden verschiedene Verfahren zum Umgang mit fehlenden Werten empfohlen. Dazu gehört das Verfahren der multiple Imputation, mit deren Hilfe mehrere plausible „Ersetzungen“ für alle fehlenden Werte erzeugt werden auf Basis (a) der beobachteten Werte und (b) eines statistischen Modells (dem Imputationsmodell). Die multipel imputierten Daten werden anschließend getrennt voneinander analysiert und die Ergebnisse zu einer finalen Schlussfolgerung zusammengefasst. Unter bestimmten Voraussetzungen, erlaubt dieses Verfahren, dass Schlussfolgerungen trotz fehlender Werte unverzerrt bleiben.

Darüber hinaus weisen psychologische Daten häufig eine hierarchische Struktur auf, bei der Individuen „geschachtelt“ in Gruppen auftreten. Zur Analyse hierarchischer Daten werden häufig Mehrebenenmodelle verwendet, die es erlauben, dass statistische Koeffizienten über Gruppen hinweg variieren. Im Kontext hierarchischer Daten ist multiplen Imputation mit besonderen Herausforderungen verbunden, denn zur korrekten Spezifikation des Imputationsmodells muss nicht nur die Datenstruktur, sondern auch die geplante Analyse mit berücksichtigt werden. Dies ist vor allem bei komplexen Mehrebenenmodellen nicht immer einfach. In seiner Dissertation hat er sich detailliert mit der Frage beschäftigt, wie fehlende Werte in hierarchischen Daten zuverlässig behandelt werden können. In mehreren Arbeiten hat er mithilfe von Simulationsstudien und theoretischen Herleitungen verschiedene Ansätze zur Behandlung fehlender Werte miteinander verglichen und deren Eigenschaften im Kontext verschiedener Anwendungen der Mehrebenenanalyse evaluiert.

Seine Dissertation hat auch eine praktische Seite: Im Rahmen seiner Forschungsarbeit hat er das Softwarepaket „mitml“ für die statistische Software R geschrieben, das es erlaubt, multiple Imputationen für hierarchische Daten durchzuführen, zu analysieren und deren Ergebnisse zusammenzufassen, ohne dass Wissenschaftlerinnen und Wissenschaftler dafür umfassende statistische oder Programmierkenntnisse benötigen würden. Dies umfasst einige der oben genannten Ansätze zur Imputation fehlender Werte sowie die in einer weiteren Arbeit geprüften Ansätze zur Verwendung von Multiparametertests und Modellvergleichen. In diesem Zusammenhang hat er auch ein Tutorial verfasst, das angewandten Wissenschaftlerinnen und Wissenschaftlern einen Einstieg in die Benutzung der multiplen Imputation für hierarchische Daten ermöglichen soll.

 

Weiterführende Publikationen:

Grund, S., Lüdtke, O., & Robitzsch, A. (in press). Missing data in multilevel research. In S. E. Humphrey & J. M. LeBreton (Eds.), Handbook for multilevel theory, measurement, and analysis. Washington, DC: American Psychological Association.

Grund, S., Lüdtke, O., & Robitzsch, A. (2018a). Multiple imputation of missing data at level 2: A comparison of fully conditional and joint modeling in multilevel designs. Journal of Educational and Behavioral Statistics, 43, 316–353. doi:10.3102/1076998617738087

Grund, S., Lüdtke, O., & Robitzsch, A. (2018b). Multiple imputation of missing data for multilevel models: Simulations and recommendations. Organizational Research Methods, 21, 111–149. doi:10.1177/1094428117703686

Grund, S., Lüdtke, O., & Robitzsch, A. (2016a). Multiple imputation of multilevel missing data: An introduction to the R package pan. SAGE Open, 6(4), 1–17. doi:10.1177/2158244016668220

Grund, S., Lüdtke, O., & Robitzsch, A. (2016b). Pooling ANOVA results from multiply imputed datasets: A simulation study. Methodology, 12, 75–88. doi:10.1027/1614-2241/a000111