Rekenen met ontbrekende gegevens

Conflict of interest: none declared. Financial support: none declared.

In medical research missing data are sometimes inevitable.
Different missingness mechanisms can be distinguished: (a) missing completely at random; (b) missing by design; (c) missing at random, and (d) missing not at random.
If participants with missing data are excluded from statistical analyses, this can lead to biased study results and loss of statistical power.
Imputation methods can be applied to estimate missing values; multiple imputation gives a good idea of the inaccuracy of the reconstructed measurements.
The most common imputation methods assume that missing data are missing at random.
Multiple imputation contributes greatly to the efficiency and reliability of estimates because maximum use is made of the data collected.
Imputation is not meant to obviate low-quality data.

Samenvatting

Ontbrekende gegevens in medisch-wetenschappelijk onderzoek zijn soms onvermijdelijk.
Er zijn verschillende soorten ontbrekende gegevens: (a) ‘missing completely at random’; (b) ‘missing by design’; (c) ‘missing at random’ en (d) ‘missing not at random’.
Als men deelnemers met ontbrekende gegevens buiten de statistische analyses laat (‘complete case’-analyse), kan dit leiden tot vertekende onderzoeksresultaten en verlies van statistische ‘power’.
Imputatiemethoden kunnen worden toegepast om ontbrekende waarden te schatten; door meervoudig te imputeren wordt een goed beeld verkregen van de onnauwkeurigheid van de gereconstrueerde metingen.
De meest gangbare imputatiemethoden veronderstellen dat ontbrekende gegevens ‘missing at random’ zijn.
Imputatie levert een grote bijdrage aan de efficiëntie en de betrouwbaarheid van schattingen, omdat maximaal gebruik wordt gemaakt van de verzamelde data.
Imputatie is zeker niet bedoeld om de lage kwaliteit van data te ondervangen.