Puuttuvuus

Puuttuvuus tarkoittaa ilmiötä, jossa tutkimuksessa kerätyt tiedot eivät ole kaikilla tapauksilla saatavilla. Puuttuvuutta esiintyy sekä yksittäisissä muuttujissa että laajoissa datapisteissä, ja sen syynä voivat olla vastaajien poissaolot, osallistumisen lopettaminen, mittaus- tai tiedonkeräysvirheet sekä muista syistä johtuva tiedon puuttuminen. Puuttuvuutta tarkastellaan usein mekanismien mukaan: MCAR (Missing Completely at Random) eli täysin satunnainen puuttuminen; MAR (Missing at Random) eli puuttuminen riippuu havaituista tiedoista mutta ei itse puuttuvasta arvosta; MNAR (Missing Not at Random) eli puuttuvuus riippuu puuttuvasta arvosta itsestään.

Vaikutukset tutkimustuloksiin voivat olla merkittäviä. Puuttuvuus voi aiheuttaa harhaisia estimaatteja, vähentää tilastollista voimaa ja heikentää tulosten yleistettävyyttä. Ongelman ratkaisu riippuu siitä, millainen mekanismi puuttuvuuden taustalla on, sekä siitä, miten paljon dataa puuttuu.

Käsittely- ja analyysimenetelmät vaihtelevat. Poissulkumenetelmät, kuten listwise-delation, poistavat tapaukset, joista puuttuu arvoja. Parikohtainen poisto säilyttää enemmän dataa mutta voi johtaa epäjohdonmukaisuuksiin. Imputaatio korvaa puuttuvat arvot, ja siihen liittyy yksittäinen imputaatio sekä moninkertainen imputaatio, jossa useita täydennyksiä ja tulosten yhdistäminen tuottavat #{pieniä} vaihteluita huomioivan estimaatin. Malli- tai todennäköisyysperusteiset lähestymistavat, kuten maksimiluotettavuus (maximum likelihood) tai Bayesian-menetelmät, voivat käsitellä puuttuvuutta sisäisesti ilman erillistä arvojen palauttamista. Puuttuvuuden kontekstin taitaminen ja diagnosointi, esimerkiksi testien tai kuvioiden tarkastelu, auttaa valitsemaan sopivat menetelmät. Ennalta suunniteltu aineiston keruu ja seuranta sekä riittävä mittausrikastuksen minimoiminen voivat vähentää puuttuvuutta ja parantaa tutkimuksen validiteettia.