Statistische Behandlung unvollständiger Datensätze Grundgedanken und ein klinisches Beispiel

Die Datenmatrix einer klinischen Langzeitstudie kann durch Datenverluste leere Elemente beinhalten und dadurch die Methode und Güte der statistischen Auswertung beeinflussen. Insbesondere bei nicht zufällig wirkenden Verlustmechanismen wie der Zensierung ist der Einfluß des Datenverlustes auf die Zielvariablen der Untersuchung statistisch abzuschätzen. Dies kann durch eine Follow-up-Studie geschehen, die es ermöglicht, Nichtrespondenten und Respondenten bezüglich signifikanter Abweichungen in den Zielvariablen zu überprüfen. An einem klinischen Beispiel wird für das Zielereignis "Verlust einer prothetischen Konstruktion" mit Hilfe der Follow-up-Methode ein Test auf den sog. selectivity bias demonstriert.