Zusammenfassung
Dieser Beitrag gibt einen Überblick über aktuelle Forschungsprojekte des Instituts für Arbeitsmarkt- und Berufsforschung (IAB), die sich alle auf unterschiedliche Weise mit der Behebung von Problemen mit Missing Data befassen. Hierzu gehören einerseits Projekte, die Stichproben verwenden wie das IAB-Betriebspanel, die IAB-Beschäftigtenstichprobe oder die Erhebung der offenen Stellen, die entweder wie alle Stichprobenerhebungen durch Antwortausfälle beeinträchtigt sind oder aber zensierte Beobachtungen aufweisen. Auf der anderen Seite zählen hierzu Forschungsprojekte, die versuchen, unterschiedliche Datengrundlagen vereinbar zu machen, die auf verschiedenen regionalen oder klassifikatorischen Abgrenzungen beruhen. Außerdem wird das Projekt TrEffeR des IAB und der Bundesagentur für Arbeit (BA) vorgestellt, das der oft ausgesprochenen Forderung gerecht wird, die Maßnahmen der aktiven Arbeitsmarktpolitik auf breiter Basis zu evaluieren, und diese Erkenntnisse für das operative Geschäft der BA nutzbar macht.
Literatur
Bender, S., et al. (1996): Die IAB-Beschäftigtenstichprobe 1975–1990. Beiträge zur Arbeitsmarkt- und Berufsforschung 197. Institut für Arbeitsmarkt- und Berufsforschung, Nürnberg
Blien, U., Hirschenauer, F. (2005): Regionale Arbeitsmärkte: Welche Arbeitsagenturen sind vergleichbar? IAB-Kurzbericht 18/2005. Institut für Arbeitsmarkt und Berufsforschung, Nürnberg
Caliendo, M., Hujer, R. (2005): The Microeconometric Estimation of Treatment Effects – An Overview. Discussion Paper 1653. Forschungsinstitut zur Zukunft der Arbeit, Bonn
Chib, S. (1992): Bayes Inference in the Tobit Censored Regression Model. Journal of Econometrics 51, 79–99
Dehejia, R.H., Wahba, S. (2002): Propensity Score-Matching Methods for Nonexperimental Causal Studies. The Review of Economics and Statistics 84(1), 151–161
Gartner, H., Rässler, S. (2005): Analyzing the Changing Gender Wage Gap Based on Multiply Imputed Right Censored Wages. IAB Discussion Paper 5/2005. Institut für Arbeitsmarkt- und Berufsforschung, Nürnberg
Hartley, H.O., Hocking, R.R. (1971): The Analysis of Incomplete Data. Biometrics 27, 783–808
Holland, P.W. (1986): Statistical and Causal Inference. Journal of the American Statistical Association 81, 945–960
Imbens, G.W. (2004): Nonparametric Estimation of Average Treatment Effects Under Exogeneity: A Review. The Review of Economics and Statistics 86(1), 4–29
Jensen, U. (2001): Robuste Frontierfunktionen, methodologische Anmerkungen und Ausbildungsadäquanzmessung. Peter Lang, Frankfurt
Jensen, U., Rässler, S. (2005): Where Have all the Data Gone? Stochastic Production Frontiers with Multiply Imputed German Establishment Data. IAB Discussion Paper 15/2005. Institut für Arbeitsmarkt- und Berufsforschung, Nürnberg
Jensen, U., Rässler, S. (2006): The Effects of Collective Bargaining on Firm Performance: New Evidence Based on Stochastic Production Frontiers and Multiply Imputed German Establishment Data. IAB Discussion Paper, Nürnberg (im Druck)
Kalton, G. (1983): Compensating for Missing Survey Data. Research Report Series. Institute for Social Research, University of Michigan, Ann Arbor
Kruppe, T. (2006): Die Förderung beruflicher Weiterbildung Arbeitsloser im Spiegel von Monitoring und Evaluation. Zeitschrift für Evaluation 1 (im Druck)
Kölling, A., Rässler (2004): Editing and Multiply Imputing German Establishment Panel Data to Estimate Stochastic Production Frontier Models. Zeitschrift für Arbeitsmarktforschung 3, 306–318
Little, R.J.A. (1976): Inference About Means from Incomplete Multivariate Data. Biometrika 63, 593–604
Little, R.J.A., Rubin, D.B. (1987, 2002): Statistical Analysis with Missing Data. Wiley, New York
Madow, W.G., Olkin, I., Rubin, D.B. (1983): Incomplete Data in Sample Surveys. Academic Press, New York
Rässler, S., Koller, F., Mäenpää, C. (2002): A Split Questionnaire Design Applied to German Media and Consumer Surveys. Proceedings of the International Conference on Improving Surveys, ICIS 2002, Copenhagen
Rässler, S., Riphahn, R. (2006): Survey Item Nonresponse and its Treatment. Allgemeines Statistisches Archiv 90, 213–228
Rosenbaum, P.R., Rubin, D.B. (1983): The Central Role of the Propensity Score in Observational Studies for Causal Effects. Biometrika 70, 41–55
Rubin, D.B. (1972): A Non-Iterative Algorithm for Least Squares Estimation of Missing Values in any Analysis of Variance Design. Applied Statistics – Journal of the Royal Statistical Society, Series C 21, 136–141
Rubin, D.B. (1974a): Characterizing the Estimation of Parameters in Incomplete-Data Problems. Journal of the American Statistical Association 69, 467–474
Rubin, D.B. (1974b): Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies. Journal of Educational Psychology 66, 688–701
Rubin, D.B. (1976): Inference and Missing Data. Biometrika 63, 581–590
Rubin, D.B. (1977): Assignment to Treatment Group on the Basis of a Covariate. Journal of Educational Statistics 2, 1–26 (Printer’s correction note 3, 384)
Rubin, D.B. (1978a): Bayesian Inference for Causal Effects: The role of Randomization. The Annals of Statistics 7, 34–58
Rubin, D.B. (1978b): Using Multivariate Matched Sampling and Regression Adjustment to Control Bias in Observational Studies. Journal of the American Statistical Association 74, 318–328
Rubin, D.B. (1978c): Multiple Imputation in Sample Surveys – A Phenomenological Bayesian Approach to Nonresponse. Proceedings of the Survey Research Methods Sections of the American Statistical Association, 20–40
Rubin, D.B. (1980): Discussion of Randomization Analysis of Experimental Data in the Fisher Randomization Test by Basu. Journal of the American Statistical Association 75, 591–593
Rubin, D.B. (1987): Multiple Imputation for Nonresponse in Surveys. Wiley, New York
Schafer, J.L. (1997): Analysis of Incomplete Multivariate Data. Chapman and Hall, London
Schafer, J.L. (1999): Multiple Imputation Under a Normal Model. Version 2, Software for Windows 95/98/NT. http://www.stat.psu.edu/∼jls/misoftwa.html. 2006
Stephan, G., Rässler, S., Schewe, T. (2006): Wirkungsanalyse in der Bundesagentur für Arbeit: Konzeption, Datenbasis und ausgewählte Befunde. IAB Discussion Paper, Nürnberg (im Druck)
Tanner, M.A., Wong, W.H. (1987): The Calculation of Posterior Distributions by Data Augmentation (with Discussion). Journal of the American Statistical Association 82, 528–550
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Rässler, S. Der Einsatz von Missing Data Techniken in der Arbeitsmarktforschung des IAB . Allgemeines Statistisches Arch 90, 527–552 (2006). https://doi.org/10.1007/s10182-006-0010-1
Published:
Issue Date:
DOI: https://doi.org/10.1007/s10182-006-0010-1