Listwisemenetelmät

Listwisemenetelmät ovat tilastollisia menetelmiä, joissa analyysiin käytetään ainoastaan ne havainnot, joilla kaikilla tarkastelluilla muuttujilla on tiedot. Yleinen esimerkki on täysi tapaus -analyysi, eli listwise deletion, jossa kaikki havainnot, joissa on jotakin puuttuvaa arvoa, poistetaan käytettävästä aineistosta ennen analyysiä.

Menetelmä toimii ottamalla mukaan vain ne tapauksia, joissa jokaisessa tutkittavassa muuttujassa on tieto. Tämä tarkoittaa, että puuttuvia arvoja sisältäviä havaintoja ei huomioida lainkaan. Listwise-menetelmän tulokset ovat siten riippuvaisia käytetystä aineistosta ja sen puuttuvien arvojen mekanismista.

Edut liittyvät yksinkertaisuuteen ja tulosten tulkittavuuteen. Menetelmää voidaan pitää neutraalina, kun puuttuminen on täysin satunnaista (MCAR) tai kun puutteellisuudesta johtuva menetys on pieni. Se sopii hyvin pieniin ja hyvin pienillä puuttuvuusasteilla varustettuihin aineistoihin sekä silloin, kun täydentäminen ei ole tarkoituksenmukaista.

Rajoitteet ovat merkittäviä: jos puuttuvuus ei ole MCAR, listwise-poisto voi aiheuttaa harhaa ja tilastollinen tehokkuus heikkenee, koska käytettävissä oleva aineisto pienenee. Suurin ongelma syntyy, jos puuttuminen liittyy havaittuihin tai piilotettuihin ominaisuuksiin (MAR tai MNAR).

Vastaavia vaihtoehtoja ovat pariwise deletion sekä erilaiset imputointimenetelmät, kuten mean-imputointi, regressioimputointi tai monimuuttujainen imputointi (multiple imputation) sekä maksimilujuusläpivienti. Listwisemenetelmät tarjoavat yksinkertaisen lähestymistavan, mutta niiden käyttö kannattaa harkita puuttuvuuden mekanismin ja aineiston koon perusteella.