Data-tilgængelighed og fuldstændighed: Strategier til håndtering af manglende information

Ufuldstændige data er en universal udfordring på tværs af forskning, forretnings-analyse, sundhedsvæsen og politik. Udtrykket "antallet af mennesker, der får, er ikke specificeret" afspejler en fundamental realitet: datasæt fanger sjældent alt, hvad vi har brug for. Denne guide giver en struktureret tilgang til at vurdere, adressere og kommunikere data-huller.

Typer af manglende data (Rubins rammeverk)

  • MCAR (Missing Completely at Random): Manglendehed uafhængig af observerede eller uobserverede data. Eksempel: Spørgeskema-side tabt i post. Sjældent i praksis.
  • MAR (Missing at Random): Manglendehed afhænger af observerede data men ikke uobserverede. Eksempel: Højere indkomst svarende mindre sandsynlige at rapportere indkomst (indkomst observeret for andre).
  • MNAR (Missing Not at Random): Manglendehed afhænger af den uobserverede værdi selv. Eksempel: Mennesker med alvorlig depression mindre sandsynlige at fuldføre depressions-spørgeskema. Mest problematisk.

Diagnostisering af manglende-mønstre

  • Manglendeheds-kort/heatmaps: Visualiser mønstre på tværs af variabler og observationer.
  • Littles MCAR-test: Statistisk test (begrænset power ved stort N).
  • Logistisk regression af manglendeheds-indikatorer: Prædikter manglendehed fra observerede variable → bevis for MAR.
  • Sensitivitets-analyse: Test hvordan konklusioner ændrer sig under forskellige MNAR-antagelser.

Strategier til at adressere manglende data

1. Forebyggelse (Bedste strategi)

  • Studie-design: Minimer byrde, pilot-instrumenter, opfølgnings-protokoller.
  • Dataindsamling: Real-tids-validering, obligatoriske felter, incitamenter.
  • Administrativ linking: Suppler spørgeskemaer med register/EHR-data.

2. Complete Case Analyse (Listvis sletning)

  • Gyldig kun under MCAR (upåvirket men ineffektiv).
  • Under MAR/MNAR: Forskydede estimater, reduceret power.
  • Acceptabelt hvis <5 % manglende og MCAR plausibel.

3. Enkel imputation (Generelt afskrået til analyse)

  • Gennemsnit/median/modus imputation: Underestimerer varians, forvrænger fordelinger.
  • Regressions-imputation: Overestimerer præcision.
  • Sidste observation bæres fremad (LOCF): Forskydet for longitudinelle data.
  • Brug kun til beskrivende summeringer eller eksplorativt arbejde.

4. Multipel imputation (MI) — Guldstandard for MAR

  1. Imputer: Opret m (typisk 20-100) komplette datasæt ved kædede ligninger (MICE) eller fælles modellering.
  2. Analyser: Kør identisk analyse på hvert datasæt.
  3. Pool: Kombiner estimater ved Rubins regler (indenfor + mellem imputations-varians).

Krav: Inkluder alle analyse-variabler + prædiktorer for manglendehed + hjælpe-variabler. Tjek konvergens, imputations-diagnostik.

5. Maksimum likelihood / Fulde informations ML (FIML)

  • Estimerer parametre direkte ved brug af alle observerede data (ingen imputations-trin).
  • Standard i SEM (lavaan, Mplus), mixed models (lme4, nlme).
  • Antager MAR; effektiv, upåvirket under korrekt model-specifikation.

6. Invers sandsynligheds-vægting (IPW)

  • Vægter komplette tilfælde med invers sandsynlighed for at blive observeret.
  • Kræver korrekt specifikation af manglendeheds-model.
  • Nyttigt for spørgeskema non-response, censurering.

7. Sensitivitets-analyse for MNAR

  • Mønster-blandings-modeller: Forskellige parametre for manglende vs. observerede mønstre.
  • Udvalgs-modeller: Fælles model for udfald og manglendeheds-mekanisme.
  • Delta-justering / tipping point: Skift imputerede værdier systematisk; find hvor konklusion skifter.
  • Ekspert-elicitering: Kvantificer plausible MNAR-afvigelser.

Rapporterings-standarder (Gennemsigtighed)

  • Flow-diagram: Screened → Eligible → Enrolled → Analyzed (CONSORT/STROBE).
  • Manglendehed pr. variabel: Antal, procentandel, mønster.
  • Sammenligning: Komplete vs. inkomplete tilfælde på observerede variabler.
  • Metode: Eksplicit udtalelse om tilgang, antagelser, software, diagnostik.
  • Sensitivitet: Resultater under alternative antagelser.

Praktisk beslutnings-rammeverk

  1. Kvantificer: Hvor meget manglende? Hvilke variabler? Monoton eller vilkårligt mønster?
  2. Diagnostiser: MCAR-test, manglendeheds-prædiktorer, faglig plausibilitet af MAR vs. MNAR.
  3. Vælg metode: MI (generelt), FIML (SEM/longitudinelt), IPW (spørgeskema), complete case (minimal MCAR).
  4. Implementér omhyggeligt: Inkluder hjælpe-variabler, tjek diagnostik, brug tilstrækkeligt m.
  5. Sensitivitets-analyser: Minimum, sammenlign complete case vs. MI resultater.
  6. Rapporter gennemsigtigt: Muliggør læser at vurdere troværdighed.

Manglende data er ikke en teknisk iritation – det er et design- og inferens-udfordring. Målet er ikke at "udfylde" tal, men at gøre gyldige inferenser, mens man ærligt repræsenterer usikkerhed.

Pædiatri