Self-separated and self-connected models for mediator and outcome missingness in mediation analysis
Dieser Artikel adressiert das Problem fehlender Daten in der Mediationsanalyse, indem er identifizierbare Modelle für selbstgetrennte und selbstverbundene Fehlmechanismen entwickelt, die auf bedingten Unabhängigkeiten bzw. Schattenvariablen basieren und dabei auch unbeobachtete Ursachen für das Fehlen von Daten berücksichtigen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, ein komplexes Puzzle zu lösen, um zu verstehen, wie eine bestimmte Maßnahme (z. B. ein Schulprogramm oder ein Job-Training) einen gewünschten Effekt (z. B. weniger Alkoholkonsum oder höhere Gehälter) erzielt.
Das Problem ist: Einige Puzzleteile fehlen.
Manche Teilnehmer haben ihre Fragebögen nicht ausgefüllt (fehlende Daten). Das ist im Alltag völlig normal. Aber in der Statistik ist das ein Albtraum, besonders wenn zwei wichtige Teile fehlen:
- Der Vermittler (z. B. hat sich die Einstellung des Schülers geändert?).
- Das Ergebnis (z. B. trinkt der Schüler jetzt weniger?).
Wenn die Leute, die nicht antworten, sich systematisch von denen unterscheiden, die antworten (z. B. weil trinkende Schüler sich schämen und nicht antworten wollen), dann ist das Puzzle verzerrt. Man könnte denken, das Programm funktioniere, obwohl es gar nicht tut, oder umgekehrt.
Dieses Papier ist wie ein neues Werkzeugkasten-Handbuch für Puzzle-Löser, das erklärt, wie man das Bild trotzdem rekonstruieren kann, auch wenn Teile fehlen und die Abwesenheit der Teile selbst Teil des Problems ist.
Hier ist die einfache Erklärung der beiden Hauptstrategien, die die Autoren vorstellen:
1. Die "Selbst-Getrennten" Modelle (Die saubere Trennung)
Stellen Sie sich vor, Sie haben zwei Freunde, Anna und Ben.
- Anna fehlt, weil sie krank ist (ein Grund, der nichts mit ihrer Persönlichkeit zu tun hat).
- Ben fehlt, weil er im Urlaub ist.
In diesem Szenario ist das Fehlen der beiden unabhängig voneinander und unabhängig davon, wer sie sind. Das ist das Ideal, aber in der Realität oft nicht der Fall. Oft fehlt jemand, weil er genau das tut, was man misst (z. B. ein Schüler, der trinkt, meldet sich nicht zur Befragung).
Die Autoren sagen: "Okay, wenn wir annehmen, dass das Fehlen nicht direkt durch die Person selbst verursacht wird (sondern nur durch externe Faktoren wie Krankheit oder Zeitmangel), dann können wir das Puzzle lösen."
- Die Metapher: Es ist wie ein Gerichtskoch, der annimmt, dass die Zutaten, die ihm fehlen, einfach nur im Supermarkt ausverkauft waren und nicht, weil er sie nicht mag. Wenn diese Annahme stimmt, kann er das Rezept trotzdem berechnen.
- Das Problem: Diese Annahme ist oft zu streng. Was, wenn trinkende Schüler tatsächlich nicht antworten, weil sie trinken? Dann hilft diese Methode nicht.
2. Die "Selbst-Verbundenen" Modelle (Der Schatten-Ratgeber)
Hier wird es kreativ. Wenn das Fehlen direkt mit der Person zusammenhängt (z. B. "Ich trinke, also antworte ich nicht"), brauchen wir einen Spion oder einen Schatten-Ratgeber.
In der Statistik nennt man das "Shadow Variable" (Schattenvariable).
- Die Metapher: Stellen Sie sich vor, Sie wollen herausfinden, wie viel Geld eine Person verdient (das Ergebnis), aber die Person lügt oder verschweigt es.
- Sie können nicht direkt nach dem Gehalt fragen.
- Aber Sie fragen nach dem Wohnort oder dem Auto, das sie fahren (das ist der "Schatten").
- Der Wohnort hängt stark mit dem Gehalt zusammen (Schatten), aber der Wohnort selbst wird nicht dadurch beeinflusst, dass die Person lügt ("Ich verdiene nichts").
- Der Schatten verrät uns also etwas über das Wahre, ohne selbst von der Lüge betroffen zu sein.
Die Autoren haben nun gezeigt, wie man diese Schatten-Ratgeber in verschiedenen Situationen nutzen kann:
- Der eigene Schatten: Manchmal ist das andere fehlende Puzzleteil selbst der Schatten. Wenn die Einstellung (Vermittler) fehlt, kann das Gehalt (Ergebnis) als Schatten dienen, und umgekehrt.
- Der externe Schatten: Man nutzt andere Daten, die man hat. Zum Beispiel:
- Bei einem Job-Training: Wenn die Gehaltsdaten fehlen, nutzt man Daten über den Wohnort oder Vermögenswerte aus einer früheren Erhebung als Schatten.
- Bei einer Schulstudie: Wenn Schüler nicht über ihr Trinkverhalten berichten, nutzt man die Noten oder die Bewertungen der Lehrer als Schatten. Diese hängen mit dem Verhalten zusammen, aber die Schüler lügen vielleicht nicht über ihre Noten, nur über das Trinken.
Die Zeit-Falle (Wann wurde was gemessen?)
Ein wichtiger Punkt im Papier ist die Zeit.
- Wurden die Daten während des Programms erhoben (z. B. sofort nach dem Kurs)?
- Oder wurden sie rückblickend abgefragt (z. B. "Wie war es vor einem Jahr?")?
Die Autoren sagen: "Je nachdem, wann die Daten fehlen, funktionieren die Schatten-Ratgeber anders." Es ist wie beim Fotografieren: Wenn Sie ein Foto machen, während das Ereignis passiert, ist es anders als wenn Sie später nachfragen. Die Mathematik muss sich an diese Zeitreihen anpassen.
Was bringt das alles?
Das Papier ist keine fertige Lösung, die man einfach in eine Software klickt. Es ist eher eine Landkarte für Forscher.
- Es zeigt Wege auf: Es gibt viele verschiedene Szenarien, wie Daten fehlen können. Das Papier zeigt, welche Annahmen man treffen muss, um in jedem dieser Szenarien trotzdem eine korrekte Antwort zu finden.
- Es warnt vor Fallen: Es zeigt, welche Annahmen zu falsch sind (z. B. wenn man annimmt, dass fehlende Daten zufällig sind, obwohl sie es nicht sind).
- Es fordert bessere Planung: Die wichtigste Botschaft für Praktiker ist: Planen Sie das Fehlen von Daten voraus!
- Wenn Sie eine Studie planen, sammeln Sie nicht nur die Hauptdaten, sondern auch "Schatten-Daten" (wie Noten, Wohnort, frühere Tests), die helfen könnten, wenn die Hauptdaten fehlen.
- Ohne diese Schatten-Ratgeber sind viele Studien bei fehlenden Daten zum Scheitern verurteilt.
Zusammenfassend:
Das Papier sagt uns: "Verzweifeln Sie nicht, wenn Daten fehlen. Wenn Sie verstehen, warum sie fehlen, und wenn Sie kluge 'Schatten-Ratgeber' (andere verwandte Daten) finden, können Sie das Puzzle trotzdem lösen und die wahren Effekte Ihrer Maßnahmen sehen." Es verwandelt das Chaos der fehlenden Daten in ein strukturiertes Rätsel, das man mit der richtigen Logik knacken kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.