In den letzten Jahren haben sich Modellmittelungsverfahren als Alternative zur Modellselektion etabliert. Anstatt sich auf ein einziges Siegermodell zu beschrnken, werden hierbei mehrere konkurrierende Modelle betrachtet und ihre Parameterschtzer gewichtet miteinander kombiniert. Das Hauptaugenmerk liegt dabei meist auf der Konstruktion der Gewichte, wie auch der Optimalitt der daraus resultierenden gewichteten Parameterschtzung. In der vorliegenden Arbeit werden verschiedene Konzepte frequentistischer Modellmittelung (Frequentist Model Averaging, FMA) erlutert und ihre Strken und Schwchen gegenber einer Vielzahl an traditionellen Modellselektionsmethoden herausgestellt. Schwerpunkt ist dabei die Konstruktion und Diskussion verschiedener Strategien zur Verwendung von FMA-Methoden unter Bercksichtigung der Problematik fehlender Daten. Hierfr werden zwei Kernkonzepte vorgeschlagen: Der erste Ansatz konstruiert Gewichte fr einen FMA-Schtzer auf Basis eines fr fehlende Daten adjustierten Kriteriums, welches der aktuellen Literatur aus dem Bereich der Modellselektion entstammt und das das im Kontext fehlender Werte bekannte Prinzip des inverse probability weighting verwendet; der zweite Ansatz ersetzt die fehlenden Werte durch Imputationen, um darauf aufbauend geeignete Schtzungen mit Hilfe bekannter Modellmittelungsanstze zu konstruieren. Zu diesem Zweck wird auch ein rekursiver Imputationsalgorithmus prsentiert, der die gelufige Idee einer Regressionsimputation unter Verwendung generalisierter additiver Modelle verallgemeinert. Die Arbeit zeigt die Eigenheiten, Strken und Schwchen der vorgestellten Anstze im Kontext von linearen und logistischen Regressionsanalysen anhand weitreichender Monte-Carlo-Simulationen auf und diskutiert am Beispiel der Faktorenanalyse mgliche Erweiterungen und Verallgemeinerungen der angefhrten Schtzer fr weitere multivariate, statistische Analysemethoden. Alle Verfahren werden an realen Datenstzen illustriert. Es zeigt sich, dass in vielen Situationen beide vorgestellten Konzepte einem Verwerfen der nicht-vollstndigen Beobachtungen vorzuziehen sind, die Strategie einer Modellmittelung nach Imputation in der Regel bessere Resultate erzielt als die Verwendung eines FMA-Schtzers, der Gewichte auf Basis eines fr fehlende Daten adjustierten Kriteriums verwendet, und insbesondere die technisch weniger aufwndigen Modellmittelungsverfahren zu besseren Schtzungen fhren als diejenigen, die aus einer klassischen Modellselektion resultieren.