الإحصاء والمنهجية, تحليل البيانات

الحذف على مستوى القائمة مقابل الحذف الثنائي


تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
مراجعة وتدقيق علمي معتمد تاريخ التدقيق: 16 نوفمبر، 2026
د. مروة عبد العظيم دكتوراه في علم النفس
عضو هيئة التدريس • جامعة كربلاء
معايير التدقيق والاعتماد السريري

يخضع هذا المحتوى لمعايير ضبط الجودة والتدقيق العلمي والأكاديمي الصارمة في شبكة علم النفس العربي، لضمان صحة المعلومات ودقتها السريرية ومطابقتها لأحدث الأدلة والبراهين الصادرة عن الجمعيات النفسية والطبية المعتمدة (APA / WHO).

تُمثّل معضلة القيم المفقودة (Missing Data) إحدى العقبات الأكثر رسوخاً وإرباكاً في مضمار الإحصاء الاستدلالي والنمذجة الرياضية التطبيقية، حيث نادراً ما تتماشى البيانات التجريبية والميدانية مع النماذج النظرية المثالية ذات المجموعات الكاملة. تتسرب ظاهرة الفقد إلى معظم الدراسات الاجتماعية، والسلوكية، والطبية، والاقتصادية نتيجة أسباب متعددة تتفاوت بين رفض المبحوثين الإجابة عن بنود حساسة، أو التعثر في جمع القياسات عبر موجات التتبع الطولي، أو عيوب التسجيل الإداري والأدوات الرقمية. ومن هنا، يجد المحلل الإحصائي نفسه ملزماً باتخاذ قرار منهجي مفصلي لا يتوقف عند حدود تنظيف البيانات السطحية، بل يمس سلامة البنية الاستدلالية للنماذج ودرجة تمثيل المجتمع المستهدف، فضلاً عن التأثير الجذري في الأخطاء المعيارية ومستويات الدلالة الإحصائية.

تاريخياً، وفي مسعى للتغلب على هذه المعضلة التشغيلية بأقل تكلفة حسابية، ظهرت أساليب الحذف التقليدية بوصفها الحلول الأكثر بداهة وجاذبية لدى الباحثين ومطوري البرمجيات الإحصائية على حد سواء. تمحورت هذه الاستراتيجيات حول استبعاد الحالات التي شابتها نواقص بدلاً من اللجوء إلى التقدير والتعويض التوليدي؛ مما أنتج تيارين رئيسيين متمايزين منهجياً ورياضياً: أسلوب الحذف على مستوى القائمة (Listwise Deletion)، والذي يُعرف بالتحليل المعتمد على الحالات الكاملة (Complete-Case Analysis)، وأسلوب الحذف الثنائي (Pairwise Deletion)، والذي يُطلق عليه تحليل الحالات المتاحة (Available-Case Analysis). ورغم استمرار هذين الخيارين كإعدادات افتراضية في حزم الحوسبة الإحصائية الكبرى لعقود طويلة، إلا أن الفروق الدقيقة والعميقة بينهما في التعاطي مع مصفوفات التباين والارتباط، واختلافهما الجذري في الحفاظ على القوة الإحصائية، يُشكلان حقل ألغام منهجي للممارسين.

يهدف هذا المقال الأكاديمي الموسع إلى تفكيك الخصائص الرياضية، والافتراضات الإحصائية، والتبعات التطبيقية لكلا النهجين؛ وذلك عبر تقديم قراءة مقارنة تفصيلية تستعرض آليات العمل، وشروط الأمان الرياضي، ومخاطر الوقوع في التحيز المنهجي. سنناقش كيف يتسبب الحذف الكامل في تآكل العينة، ومبررات اشتراط الفقد العشوائي التام، في مقابل ما يفرضه الحذف الثنائي من اضطراب في أحجام العينات وتهديد لتماسك مصفوفات التباين والتغاير المشترك، وصولاً إلى استعراض البدائل المعاصرة والمعايير الإرشادية التي تُحدد للمحلل المسار الأنسب لمعالجة البيانات الناقصة بدقة وأمان.

1. مقدمة: معضلة البيانات المفقودة وإشكالية المفاضلة بين أساليب الحذف التقليدية

1.1 طبيعة مشكلة القيم المفقودة في التحليل الإحصائي الاستدلالي

تُعد مشكلة البيانات غير المكتملة في البحوث الكمية من أخطر التحديات المنهجية التي تواجه الباحثين عند الانتقال من مرحلة القياس الوصفي إلى بناء الاستدلالات وتعميم النتائج. تنبع خطورة هذه المشكلة من كون أغلب النظريات الإحصائية الكلاسيكية، بما في ذلك التقدير باستخدام المربعات الصغرى العادية (Ordinary Least Squares) أو خوارزميات الأرجحية العظمى الاعتيادية، مبنية في الأصل على فرضية ضمنية مفادها أن الباحث يمتلك مصفوفة بيانات كاملة الأركان تتضمن قياسات صالحة لجميع المتغيرات عبر جميع وحدات المعاينة. وحين يُنتهك هذا الشرط، فإن الاستدلال الرياضي يفقد اتساقه التلقائي، وتصبح مقاييس النزعة المركزية، والتباين، والارتباط عرضة لخلل مزدوج: تشويه في قيمة المقدر الإحصائي نفسها (التحيز)، وتضخم في مقدار الخطأ المعياري المحيط بهذا المقدر، مما يقود إلى استنتاجات مضللة حول فرضيات البحث.

لفهم تأثير هذا الفقد، لا بد من العودة إلى التأطير النظري المؤسس الذي صاغه دونالد روبين في عام 1976، والذي صنف آليات الفقد في البيانات ضمن ثلاثة مستويات متميزة استناداً إلى الشروط الاحتمالية التي تحكم غياب القيمة. المستوى الأول هو الفقد العشوائي التام (Missing Completely at Random – MCAR)، وفيه يكون احتمال غياب القيمة لمتغير معين مستقلاً استقلالاً تاماً عن قيم ذلك المتغير وعن أي متغير آخر ضمن الدراسة؛ أي أن الحالات المفقودة تشكل عينة عشوائية بسيطة مأخوذة من العينة الأصلية. المستوى الثاني هو الفقد العشوائي (Missing at Random – MAR)، حيث يعتمد احتمال الفقد على قيم متغيرات أخرى تمت ملاحظتها وقياسها في النموذج، ولكنه غير معتمد على القيم غير الملاحظة للمتغير المفقود ذاته. أما المستوى الثالث والأخطر، فهو الفقد غير العشوائي (Missing Not at Random – MNAR)، وفيه يرتبط احتمال الفقد بقيمة المتغير المفقود نفسه حتى بعد أخذ المتغيرات الملاحظة بالحسبان، كأن يمتنع الأفراد ذوو الدخول المرتفعة جداً أو المنخفضة جداً عن الإفصاح عن مستويات دخلهم في استبانة اقتصادية.

تكتسب استراتيجية التعامل مع البيانات المفقودة أهمية استثنائية نظراً لأن اتخاذ القرار الإجرائي بشأنها يسبق تشغيل النماذج الإحصائية وتفسير معاملات الانحدار أو معاملات الارتباط؛ إذ إن اختيار استراتيجية غير ملائمة لطبيعة آلية الفقد القائمة قد يُلغي تماماً صلاحية النتائج الإحصائية. تاريخياً، وبسبب محدودية القدرات الحاسوبية في النصف الثاني من القرن العشرين وقبل تطور الخوارزميات التكرارية المعقدة، كان اللجوء إلى أساليب الحذف بمثابة الحل التلقائي المبرمج داخل الأنظمة الإحصائية الرائدة. فقد مكنت هذه الأساليب المحللين من تنظيف مصفوفة البيانات بضغطة زر واحدة تمهيداً لحساب العلاقات الخطية، دون الاضطرار للدخول في تفاصيل النمذجة الرياضية للتوزيعات التوليدية المعقدة، وهو ما رسّخ هذه الطرق كعادات بحثية كلاسيكية امتدت حتى العصر الحالي بالرغم من القيود الصارمة المفروضة على استخدامها.

1.2 الخلط الشائع بين الحذف على مستوى القائمة والحذف الثنائي

يقع كثير من الممارسين والباحثين في التباس مفاهيمي واضح عند التفريق بين أسلوبي الحذف التقليديين؛ إذ يُنظر إليهما أحياناً بوصفهما تعبيرين مختلفين لفلسفة الحذف الواحدة دون إدراك للتناقض الهيكلي في طريقة تنفيذهما. يتمثل أسلوب تحليل الحالات الكاملة (Complete Case Analysis)، المعروف باسم الحذف على مستوى القائمة، في شطب أي صف أفقي كامل (وحدة معاينة أو مستجيب) من مصفوفة البيانات بمجرد احتوائه على قيمة مفقودة واحدة في أي من المتغيرات المختارة للتحليل. في المقابل، يعتمد أسلوب تحليل الحالات المتاحة (Available Case Analysis)، والمعروف بالحذف الثنائي، على عزل المعالجة لتكون خاصة بكل معامل أو زوج متغيرات على حدة؛ حيث يُحسب الارتباط بين المتغيرين (س) و(ص) بالاعتماد على كافة الحالات التي تمتلك قيماً صالحة لهذين المتغيرين معاً، بغض النظر عما إذا كانت تلك الحالات تمتلك قيماً مفقودة في المتغير (ع) المدرج في نفس النموذج الإحصائي.

يقود هذا التمايز الإجرائي إلى تباين عميق في حجم العينة الفعلي المستخدم في إنتاج المؤشرات؛ فبينما يفرض الحذف على مستوى القائمة حجماً موحداً للعينة يمثل القاسم المشترك الأصغر للحالات الكاملة عبر كافة أبعاد النموذج، يتسبب الحذف الثنائي في توليد مصفوفات إحصائية تتأرجح فيها أحجام العينات من خلية إلى أخرى. هذا التباين في أحجام العينات يؤثر مباشرة في استقرار تقديرات التباين المشترك، ويجعل حساب الأخطاء المعيارية أمراً محفوفاً بالغموض الرياضي؛ حيث يصعب تحديد درجات الحرية الفعلية التي ينبغي على المحلل الاستناد إليها عند اختبار الدلالة الإحصائية للنماذج الكلية.

إن إغفال التمييز بين معالجة السجل ككل (Record-level processing) ومعالجة الأزواج الإحصائية الموضعية (Pair-level processing) يجرّ الباحثين إلى الاعتقاد الخاطئ بأن الحذف الثنائي هو دائماً الخيار الأفضل لمجرد أنه يحفظ كمية أكبر من البيانات الأولية. والحقيقة أن الباحثين في مجالات العلوم النفسية والتربوية، كما يتجلى في أبحاث التقييم والقياس واسعة النطاق (مثل دراسات Parker et al., 2013)، يحتاجون دوماً إلى الموازنة الدقيقة بين هدر الحالات في الحذف الكامل وبين التشوهات الهيكلية التي قد يدخلها الحذف الثنائي على مصفوفات الارتباط متعددة الأبعاد.

1.3 الأبعاد المنهجية للمقارنة بين الأسلوبين

تتجاوز المفاضلة العلمية بين الحذف على مستوى القائمة والحذف الثنائي مجرد حساب عدد الأرقام المتبقية في جدول البيانات؛ إذ تستند هذه المفاضلة إلى ثلاثة أبعاد منهجية ورياضية حاسمة. البعد الأول يتمثل في كفاءة التقدير والقوة الإحصائية (Statistical Power)؛ فالقوة الإحصائية تمثل قدرة الاختبار على رفض الفرضية الصفرية الخاطئة واكتشاف التأثيرات الحقيقية الموجودة في المجتمع. في حين يبدو الحذف الثنائي قادراً على تعظيم القوة الإحصائية للاختبارات الفردية عبر استخدام عينات أكبر لكل معامل ثنائي، إلا أن هذا التفوق قد يكون خادعاً إذا ما ترتب عليه تشويش في تقدير معاملات الانحدار المتعدد، بينما يقدم الحذف الكامل تقديراً متسقاً داخلياً ومحكماً للنموذج الإجمالي، وإن كان ذلك على حساب تقليص حجم العينة وزيادة احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error).

البعد الثاني، وهو الأكثر حساسية من الناحية الرياضية، يدور حول السلامة الجبرية لمصفوفات التباين والتباين المشترك (Covariance Matrices). يتطلب أي تحليل متعدد المتغيرات، مثل التحليل العاملي الاستكشافي أو التوكيدي أو نمذجة المعادلة الهيكلية، أن تكون مصفوفة التباين المشترك مصفوفة موجبة شبه محددة أو موجبة محددة تماماً (Positive Definite Matrix). يضمن الحذف على مستوى القائمة تحقيق هذا الشرط الجبري تلقائياً لأن جميع التقديرات محسوبة من نفس المجموعة الموحدة من الحالات؛ في حين يفشل الحذف الثنائي في توفير هذه الضمانة، حيث يمكن أن يؤدي دمج معاملات ارتباط مستخلصة من عينات فرعية غير متطابقة إلى مصفوفات مشوهة رياضياً تحتوي على قيم ذاتية (Eigenvalues) سالبة تجعل حساب مقلوب المصفوفة مستحيلاً من الناحية البرمجية.

أما البعد الثالث فيرتبط بمدى حساسية كل أسلوب لانتهاك فرضيات التوزيع وآليات الفقد. يشترط كلا الأسلوبين تحقق فرضية الفقد العشوائي التام (MCAR) لتقديم تقديرات غير متحيزة لبارامترات المجتمع، وهو ما وثقته الدراسات الكلاسيكية في علم الأوبئة النفسية وتحليل بيانات الحشود (انظر دراسة Lewis et al., 2019). ومع ذلك، تتفاوت تداعيات خرق هذه الفرضية؛ فبينما يؤدي خرق MCAR في أسلوب الحذف الكامل إلى تحيز واضح في المتوسطات والنسب، قد يُحدث خرقها في الحذف الثنائي تحيزات مركبة ومتناقضة الاتجاهات تختلف من متغير إلى آخر داخل المصفوفة الواحدة، مما يجعل رصد التحيز وتصحيحه لاحقاً مهمة إحصائية بالغة التعقيد.

2. نظرة شاملة على الحذف على مستوى القائمة (Listwise Deletion)

2.1 المفهوم الإجرائي وآلية عمل تحليل الحالات الكاملة

يقوم الحذف على مستوى القائمة (Listwise Deletion) على قاعدة إجرائية بالغة الصرامة والبساطة في آن واحد: “الكل أو لا شيء”. وبموجب هذا المفهوم، يُفحص سجل كل وحدة معاينة (مشارك، مريض، منظمة، إلخ) عبر جميع المتغيرات المحددة للتحليل؛ فإذا وُجدت قيمة مفقودة واحدة في أي من هذه المتغيرات، يتم استبعاد هذا السجل بالكامل من التحليل الإحصائي، ويقتصر التحليل النهائي فقط على الحالات التي تمتلك بيانات صالحة ومكتملة بنسبة مائة بالمائة عبر كافة المتغيرات المستهدفة. يُطلق على هذا الإجراء في الأدبيات الإحصائية تحليل الحالات الكاملة (Complete-Case Analysis)، وتاريخياً تم تصنيفه ضمن معالجات السجلات الكاملة المستمدة من الأطر الرياضية التي وضعها صامويل ويلكس عام 1932 عند دراسة التوزيعات المستخلصة من العينات المجزأة.

يتميز الحذف على مستوى القائمة بأنه يوحد حجم العينة الفعلي ($N_{\text{complete}}$) عبر كافة العمليات الحسابية داخل النموذج. فإذا كان الباحث يدرس العلاقة بين أربعة متغيرات في نموذج انحدار متعدد، فإن حساب المتوسط الحسابي، والانحراف المعياري، ومعاملات الارتباط بين كل زوج من المتغيرات، ومعاملات الانحدار الجزئي، واختبارات الدلالة الإحصائية ($t$ و $F$)، تُبنى جميعها اعتماداً على المجموعة الفرعية ذاتها من الحالات دون أدنى تغيير في قيمة $N$ عبر أجزاء المخرجات الإحصائية المختلفة. هذا التوحيد يزيل أي غموض إجرائي يتعلق بتحديد درجات الحرية داخل جداول تحليل التباين (ANOVA).

تكمن جاذبية هذا الأسلوب وانتشاره الواسع في كونه الإعداد الافتراضي القياسي (Default Setting) المعتمد في حزم البرمجيات الإحصائية التقليدية والحديثة على حد سواء، ومنها حزم SPSS، ومكتبات R القياسية، وبرمجيات Stata وSAS. عندما يطلب الباحث تنفيذ أمر انحدار خطي متعدد، تقوم الخوارزمية تلقائياً بحذف السجلات غير المكتملة دون مطالبة المستخدم بضبط إعدادات مسبقة، وهو ما ساهم في تعزيز الاعتماد عليه لدى أجيال من الباحثين الذين اعتبروه مجرد خطوة تمهيدية روتينية تجري في كواليس الحوسبة دون الالتفات إلى تداعياتها الإحصائية العميقة.

2.2 الافتراضات الإحصائية والشروط الحاكمة

لكي يكون الحذف على مستوى القائمة صالحاً من الناحية الإحصائية ويؤدي إلى استدلالات مقبولة، يتعين أن تتحقق فرضية أساسية صارمة لا تقبل التساهل، وهي فرضية الفقد العشوائي التام (MCAR). يعني هذا الافتراض الرياضي أن احتمالية حدوث الفقد في أي متغير معين غير مرتبطة إطلاقاً بالقيم الملاحظة لأي متغير آخر داخل مصفوفة البيانات، كما أنها مستقلة تماماً عن القيم الحقيقية الكامنة للمتغير المفقود نفسه. بصيغة احتمالية: إذا رمزنا لمصفوفة مؤشرات الفقد بالرمز $R$ ومصفوفة البيانات الإجمالية بالرمز $Y$ المقسمة إلى جزء ملاحظ $Y_{\text{obs}}$ وجزء مفقود $Y_{\text{mis}}$، فإن فرضية MCAR تشترط أن يكون $P(R | Y_{\text{obs}}, Y_{\text{mis}}) = P(R)$.

يترتب على تحقق هذا الافتراض شرط منهجي جوهري، وهو أن الحالات المكتملة المتبقية بعد تطبيق الحذف ($N_{\text{complete}}$) تُعد بمثابة عينة عشوائية فرعية وممثلة تماماً للمجتمع الأصلي، وكأن الباحث سحب منذ البداية عينة أصغر حجماً من المجتمع الإحصائي نفسه دون تدخل أي عامل انتقائي. في ظل هذا السيناريو، تظل تقديرات المتوسطات، والنسب، ومعاملات التباين المشترك، وميل الانحدار (Regression Slopes) غير متحيزة (Unbiased)، مما يعني أن قيمتها المتوقعة تظل مساوية لبارامترات المجتمع الحقيقية، وتقتصر الخسارة المنهجية هنا على فقدان القوة الإحصائية فقط دون تشويه معاني العلاقات المكتشفة.

تنشأ الكارثة الإحصائية عندما تنتهك البيانات فرضية الفقد العشوائي التام، ويكون الفقد عائداً إلى نمط الفقد العشوائي المشروط (MAR) أو الفقد غير العشوائي (MNAR). في مثل هذه الحالات، لم يعد الجزء المتبقي يمثل المجتمع عشوائياً، بل ينشأ ما يُعرف بتحيز الانتقاء (Selection Bias). يؤدي هذا التحيز إلى تزييف المتوسطات؛ فإذا كانت استبانة تقيس مستويات القلق والرفاهية النفسية كما في الدراسات التي تفحص القلق والمفاهيم الذاتية (انظر Chorpita et al., 1997؛ وMarsh et al., 2006)، وكان الأفراد ذوو القلق المرتفع يميلون إلى إسقاط بعض الأسئلة المزعجة لهم، فإن حذفهم بالكامل سيؤدي إلى إنتاج تقديرات تُقلل بشكل زائف من متوسط القلق في المجتمع وتُشوّه معاملات الارتباط بين المتغيرات بصورة لا يمكن التنبؤ باتجاهها.

2.3 المزايا المنهجية والعملية للحذف على مستوى القائمة

رغم الانتقادات الموجهة للحذف على مستوى القائمة، إلا أنه يتمتع بمجموعة من المزايا المنهجية والعملية التي تجعله خياراً جذاباً ومبرراً في سياقات بحثية معينة. تأتي في مقدمة هذه المزايا البساطة الإجرائية؛ إذ لا يتطلب الأسلوب من الباحث فهماً عميقاً للرياضيات المتقدمة، أو تطبيق خوارزميات الاستمثال المعقدة، مثل خوارزمية تعظيم التوقع (EM Algorithm) أو نماذج التوزيعات القبلية والبعدية في الإحصاء البايزي. فالنتائج الناتجة عنه يسهل الإفصاح عنها وتفسيرها للقارئ غير المتخصص، حيث يكفي توضيح عدد الحالات الأصلية وعدد الحالات المستبعدة والعدد النهائي المستند إليه التحليل.

الميزة المنهجية الثانية تكمن في الحفاظ على الاتساق الكامل لبيانات النموذج. فاستخدام عينة موحدة عبر التحليل يلغي أي تناقض بين الحسابات؛ إذ تتسق اختبارات الدلالة الإحصائية، ويكون مجموع مربعات الانحرافات في جداول تحليل التباين منضبطاً بصورة تامة، بحيث تتطابق العلاقات الرياضية المعروفة بين الانحدار والارتباط دون أدنى تعارض حسابي. هذه الخاصية تمنح الباحث طمأنينة فيما يتعلق بتوافق مكونات النموذج الإحصائي المشترك.

الميزة الرياضية الأبرز للحذف على مستوى القائمة تتعلق بسلامة مصفوفات التباين والتباين المشترك. فحساب جميع التباينات والتغايرات من عينة موحدة يضمن جبرياً أن تكون مصفوفة التباين المشترك مصفوفة موجبة محددة أو موجبة شبه محددة (Positive Semi-Definite Matrix). هذا الشرط الرياضي يعني أن جميع القيم الذاتية (Eigenvalues) للمصفوفة ستكون قيماً حقيقية غير سالبة ($\lambda_i ge 0$)، وأن محدد المصفوفة (Determinant) سيكون موجباً أو صفرياً، مما يُتيح عكس المصفوفة رياضياً (Matrix Inversion) بسلاسة كاملة لحساب معاملات الانحدار دون التعرض لأخطاء الانهيار الحسابي أو التوقف المفاجئ في حزم النمذجة الإحصائية المتقدمة.

2.4 العيوب والقيود الإحصائية المرتبطة بالحذف الكامل

في مقابل البساطة والاتساق الرياضي، يفرض الحذف على مستوى القائمة كلفة باهظة تُلقي بظلال كثيفة على كفاءة التحليل الإحصائي وسلامة نتائجه. يتصدر هذه العيوب ما يُعرف بالهدر الإحصائي الجسيم للبيانات (Severe Data Loss). فاستبعاد الحالات يتم بناءً على شرط وجود أي عيب في أي متغير؛ مما يعني التخلص من كميات هائلة من المعلومات الصالحة والمهمة التي تكلفت الدراسات مبالغ طائلة لجمعها. فإذا أجاب أحد المبحوثين عن تسعة وتسعين سؤالاً من أصل مائة، يُرمى سجله بالكامل في سلة المهملات المنهجية بسبب سؤال واحد لم يُجب عليه، وهو إهدار للمعلومات يتنافى مع مبادئ الاستثمار الأمثل للبيانات البحثية المتاحة.

يتفاقم هذا الهدر بصورة تراكمية دراماتيكية كلما اتسع نطاق المتغيرات المدرجة في النموذج التحليلي، حتى لو كانت نسبة الفقد في كل متغير على حدة نسبة ضئيلة جداً. على سبيل المثال، إذا كان لدى الباحث مصفوفة تضم عشرين متغيراً في دراسة سلوكية أو مسحية، وكانت نسبة الفقد في كل متغير لا تتجاوز 2%، ولكن هذه القيم المفقودة موزعة على أفراد مختلفين عبر العينة، فإن تطبيق الحذف على مستوى القائمة قد يؤدي إلى شطب 30% إلى 40% من الحالات الكلية. هذا الانكماش الحاد في حجم العينة الفعلي يقوض كفاءة التقدير (Efficiency) ويزيد من تباين المقدرات الإحصائية بصورة غير مبررة منهجياً.

يجر هذا التآكل في حجم العينة عاقبة إحصائية خطيرة تتمثل في انخفاض القوة الإحصائية للاختبارات (Reduction in Statistical Power)، مما يرفع بصورة حادة من احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error)؛ أي الفشل في رفض الفرضية الصفرية عندما تكون خاطئة بالفعل. فيصبح النموذج غير قادر على اكتشاف التأثيرات الحقيقية ذات الحجم المتوسط أو الصغير، ليس لعدم وجودها في المجتمع، بل لأن حجم العينة المتبقي بعد مقصلة الحذف الكامل أصبح عاجزاً عن توفير الحساسية الرياضية المطلوبة لإثبات دلالتها الإحصائية، فضلاً عن أن أي انحراف طفيف عن فرضية MCAR سيحول هذا الإجراء إلى أداة لإنتاج تقديرات مشوهة ومتحيزة تحيزاً منهجياً متأصلاً.

3. نظرة شاملة على الحذف الثنائي (Pairwise Deletion)

3.1 المفهوم الإجرائي وآلية عمل تحليل الحالات المتاحة

يقدم الحذف الثنائي (Pairwise Deletion)، والذي يُعرف على نطاق واسع في الأدبيات المنهجية باسم تحليل الحالات المتاحة (Available-Case Analysis)، مدخلاً بديلاً يقوم على الاستغلال الموضعي للبيانات المتوفرة بدلاً من الإقصاء الكلي للسجلات. يعتمد هذا الأسلوب على استراتيجية مفادها: “لا تحذف السجل طالما احتوى على بيانات صالحة للمؤشر قيد الحساب”. وبموجب هذه الآلية، يتم تقييم كل متغير أو كل زوج من المتغيرات بشكل منعزل ومستقل تماماً؛ فحساب تباين المتغير (س) يعتمد على كل الحالات التي تمتلك قيماً صالحة لـ (س)، وحساب معامل الارتباط بين المتغيرين (س) و(ص) يعتمد على كل الحالات التي تحتوي على بيانات صالحة لكل من هذين المتغيرين معاً، دون أي اكتراث بوجود قيم مفقودة لنفس الحالات في متغيرات أخرى مثل (ع) أو (ك).

يقود هذا الإجراء إلى توليد مصفوفة ترابطية أو تباينية لا تستند إلى حجم عينة موحد، بل تتضمن أحجام عينات متغيرة ومتذبذبة من خلية إلى أخرى داخل نفس الجدول الإحصائي. فإذا كان حجم العينة الكلي الأصلي 1000 مشارك، فقد يُحسب الارتباط بين المتغيرين الأول والثاني بناءً على 950 حالة، في حين يُحسب الارتباط بين المتغيرين الأول والثالث بناءً على 820 حالة، بينما يُحسب الارتباط بين الثاني والثالث اعتماداً على 710 حالات. يستهدف هذا الأسلوب حماية البيانات من الإهدار، والحرص على أن كل معلومة صالحة تم جمعها ميدانياً تجد طريقها إلى الحساب الإحصائي في الموقع المناسب لها.

تاريخياً، ارتبط هذا المدخل بالحسابات المبكرة لمعاملات الارتباط بين المتغيرات الثنائية (Bivariate Correlation)، حيث شاع استخدامه في المصفوفات الارتباطية الاستكشافية. فعندما يرغب الباحث في توليد جدول ارتباطات كبير لمتغيرات استبانة مقياس نفسي، فإن الحذف الثنائي يضمن أن تظل قوة الارتباط بين أي بندين محتفظة بأكبر عدد ممكن من المستجيبين الذين أجابوا عن هذين البندين معاً، مما يجعله يبدو للوهلة الأولى أكثر كفاءة ومحافظة على المجهود البحثي مقارنة بالاستبعاد الصارم المتبع في الحذف على مستوى القائمة.

3.2 الافتراضات الإحصائية ومتطلبات التطبيق

يخضع الحذف الثنائي لنفس الفرضية التوزيعية الحاكمة للحذف الكامل، وهي اشتراط تحقق فرضية الفقد العشوائي التام (MCAR) عبر كافة أزواج المتغيرات لضمان الحصول على مقدرات غير متحيزة لبارامترات المجتمع. ومع ذلك، فإن الطبيعة التركيبية للحذف الثنائي تجعل هذا الافتراض أكثر تعقيداً وتشعباً؛ فلكي تكون مصفوفة الارتباط أو التباين المشترك دقيقة، يجب ألا تكتفي البيانات بكونها مفقودة عشوائياً بشكل عام، بل يجب أن يكون نمط الفقد في الزوج (س، ص) مستقلاً تماماً عن القيم المفقودة في الزوج (س، ع) وعن بقية المتغيرات الكامنة.

يفترض الحذف الثنائي أيضاً استقرار التباينات والتغايرات عبر المجموعات الفرعية المتباينة المستخدمة في حساب كل معامل ارتباط. وبعبارة أخرى، يفترض هذا الأسلوب أن العينة الفرعية المكونة من 950 شخصاً التي حُسب منها الارتباط بين (س) و(ص) تشترك في نفس الخصائص التوزيعية ونفس التباينات المشتركة مع العينة الفرعية المكونة من 710 أشخاص التي حُسب منها الارتباط بين (ص) و(ع). هذا الافتراض الضمني خطير للغاية؛ فإذا كانت العينات الفرعية تختلف فيما بينها حتى في ظل فروق عشوائية طفيفة، فإن دمج هذه التقديرات المتفرقة في مصفوفة واحدة يقود إلى تناقضات هيكلية في تقديرات النموذج الكلي.

تتضاعف مخاطر التحيز في الحذف الثنائي إذا كان الفقد يتبع آلية الفقد العشوائي (MAR) أو غير العشوائي (MNAR). فبينما يمكن في بعض سياقات الحذف الكامل رصد التحيز بسهولة لكونه ناتجاً عن إزاحة موحدة للعينة، فإن التحيز في الحذف الثنائي يكون تحيزاً متفاوتاً وغير متجانس عبر خلايا المصفوفة الواحدة. فقد تظهر العلاقة بين متغيرين تقديرات متحيزة نحو التضخيم، بينما تظهر العلاقة بين زوج آخر تقديراً متحيزاً نحو الانكماش، نتيجة اختلاف خصائص المجموعات الفرعية التي أسهمت في كل معامل، مما يجعل تفكيك مسارات الخطأ في التحليلات اللاحقة أمراً شبه مستحيل.

3.3 المزايا المنهجية لاستخدام الحذف الثنائي

تبرز الميزة الجوهرية للحذف الثنائي في كونه يحافظ على حجم عينة أكبر لكل اختبار إحصائي فردي مقارنة بما يتركه الحذف على مستوى القائمة. فمن خلال الإبقاء على كافة الحالات التي تمتلك قيماً صالحة لزوج المتغيرات المبحوث، يتجنب الباحث الانخفاض الحاد في حجم العينة، مما ينعكس إيجابياً ومباشرة على تعزيز القوة الإحصائية (Statistical Power) لحساب معاملات الارتباط الثنائية البسيطة. هذا الأمر يكتسب أهمية بالغة في العينات صغيرة الحجم التي لا تحتمل فقدان أي حالة إضافية قد يؤدي استبعادها إلى العجز عن الوصول بمستويات الدلالة إلى عتبة الاحتمالية المقبولة ($p < .05$).

علاوة على ذلك، يُسهم الحذف الثنائي في تعظيم الكفاءة الحسابية في التعامل مع الموارد المجمعة، حيث يقلل من الهدر الإجمالي للمعلومات، وهو مبدأ ذو قيمة أخلاقية ومنهجية في الأبحاث التي تنطوي على تدخلات تجريبية صعبة أو مسوح وبائية نادرة (انظر على سبيل المثال دراسات الصحة النفسية والمتابعة الطولية مثل Groarke et al., 2020). فعندما يعاني المقياس من نقص متفرق للبيانات لا يرتبط بنمط نمطي موحد، فإن الحذف الثنائي يوفر للمحلل فرصة استكشاف العلاقات الأولية والروابط الصفرية بين المتغيرات دون خسارة الحجم الكلي للمجتمع البحثي المتاح.

تتجلى هذه الميزة بوضوح في الدراسات الاستكشافية المبدئية التي لا تهدف إلى اختبار نماذج سببية بنيوية معقدة، بل تركز على رسم خريطة ارتباطات عامة ومسح الترابطات البسيطة بين مجموعة واسعة من المؤشرات المقاسة؛ إذ يتيح الحذف الثنائي هنا الحصول على أقصى دقة تقديرية ممكنة لكل معامل ارتباط ثنائي على حدة، اعتماداً على أكبر عدد متاح من الرصود الميدانية الفعلية.

3.4 التحديات الرياضية والمنهجية المصاحبة للحذف الثنائي

على النقيض من جاذبيته السطحية، يحمل الحذف الثنائي في أحشائه معضلات رياضية وإحصائية بالغة التعقيد، تكاد تجعله في نظر كثير من الإحصائيين الرياضيين ممارسة غير مرغوب فيها في التحليلات المتقدمة. تنبثق المشكلة الجذرية من توليد مصفوفات تباين وارتباط “مُرقّعة”؛ حيث إن تركيب مصفوفة ارتباط تتألف من معاملات مشتقة من عينات فرعية متباينة في الحجم والتركيب قد يكسر القواعد الجبرية للاتساق الداخلي للمصفوفات.

هذا التناقض الرياضي يؤدي غالباً إلى إنتاج ما يُعرف بالمصفوفات غير المعرفة إيجابياً (Non-Positive Definite Matrices). في المصفوفة السليمة رياضياً، يجب أن تكون جميع القيم الذاتية موجبة، مما يعكس حقيقة أن التباينات المحسوبة لأي توليفة خطية من المتغيرات يجب أن تكون موجبة بالضرورة. ولكن في ظل الحذف الثنائي، قد تنتج مصفوفات تشتمل على قيم ذاتية سالبة ($lambda_i < 0$)، وهو مستحيل رياضي يعادل القول بوجود متغير ذي تباين سلبي. عندما تصبح المصفوفة غير معرفة إيجابياً، يفشل الحاسوب في حساب مقلوبها (Matrix Inversion)، مما يؤدي إلى فشل تحليلات الانحدار المتعدد، ونمذجة المعادلات الهيكلية (SEM)، والتحليل العاملي، وظهور رسائل الخطأ الشهيرة في الحزم البرمجية.

المعضلة المنهجية الأخرى تتعلق باستحالة تحديد حجم عينة موحد ($N$) للتحليل الكلي؛ فإذا أراد الباحث حساب الخطأ المعياري لمعامل انحدار متعدد أو مؤشر حسن المطابقة للنموذج في التحليل العاملي التوكيدي (CFA)، فأي حجم عينة سيعتمده البرنامج؟ هل هو الحجم الأكبر؟ أم الحجم الأصغر؟ أم المتوسط الحسابي لأحجام العينات عبر خلايا المصفوفة؟ لا توجد إجابة رياضية صحيحة عن هذا التساؤل، وأي خيار يُعتمد سيقود إلى أخطاء معيارية مشوهة وفترات ثقة غير دقيقة. وفي الحالات المتطرفة، قد يقود الحذف الثنائي إلى نتائج حسابية شاذة وغير منطقية، مثل الحصول على معاملات ارتباط جزئي أو معاملات انحدار متعدد تتجاوز الحدود المنطقية (مثل قيم أكبر من +1 أو أقل من -1)، مما يُقوض المصداقية المنهجية برمتها.

4. الفروق الجوهرية بين الحذف على مستوى القائمة والحذف الثنائي

4.1 مقارنة آلية المعالجة وحجم العينة المستخدم

ترتكز المقارنة الهيكلية بين الحذف على مستوى القائمة والحذف الثنائي على الفلسفة التي تحكم التعامل مع السجل البحثي ومصفوفة المشاهدات. يتبع الحذف على مستوى القائمة نهجاً شمولياً وحدوياً للمشاهدة الواحدة؛ فالحالة (المشارك أو السجل) تُعامل كوحدة غير قابلة للتجزئة. وبمجرد افتقار السجل لقيمة واحدة في أي متغير مشمول، تُسقط الحالة برمتها من كل مراحل التحليل الإحصائي المقررة. هذا الإجراء ينتج عنه حجم عينة موحد وثابت قطعياً عبر كامل التحليل ($N_{\text{complete}}$)، مما يجعل أبعاد مصفوفة البيانات المعالجة متناغمة تماماً؛ حيث يطابق عدد الصفوف في كل متغير نفس عدد الصفوف في المتغير الآخر دون أي خلل.

على النقيض من ذلك تماماً، يتبنى الحذف الثنائي نهجاً تجزيئياً موضعياً، يتعامل مع البيانات على مستوى القيم المعزولة أو أزواج المتغيرات الثنائية المستقلة؛ فالسجل الواحد قد يُستبعد جزئياً من حساب علاقة ارتباطية محددة لغياب أحد طرفيها، ولكنه يُعاد إدراجه واستخدامه بكفاءة في حساب علاقة ارتباطية أخرى تتوافر فيها قياساته. يؤدي هذا التوجه الموضعي إلى توليد مصفوفة ذات أحجام عينات متغيرة ومتذبذبة ($N_{jk}$)، حيث تمتلك كل خلية ترابطية أو تباينية في الجدول حجم عينة خاصاً بها قد يختلف عن الخلايا المجاورة لها أفقياً ورأسياً.

ينعكس هذا التباين الإجرائي بصورة واضحة على طبيعة تمثيل الفئات الفرعية والمجموعات السكانية داخل العينة. ففي الحذف الكامل، قد يؤدي استبعاد الحالات غير المكتملة إلى إقصاء فئات ديموغرافية معينة تميل بحكم خصائصها الثقافية أو الاقتصادية إلى عدم الإجابة عن بنود بعينها، مما يخل بالتركيبة الديموغرافية للعينة المتبقية ويحد من اتساع تمثيلها. أما في الحذف الثنائي، فإن تلك الفئات تظل حاضرة وممثلة في التحليلات الخاصة بالمتغيرات التي أجابت عنها، وإن كان هذا الحضور الجزئي يثير إشكالات منهجية موازية تتعلق بعدم تجانس تكوين العينات عبر أبعاد التحليل المختلفة، كما هو مبين في دراسات التتبع الأسري والنمو الاجتماعي (مثل Kerr et al., 2010).

4.2 المقارنة من حيث القوة الإحصائية والتحيز التقديري

تُمثل المفاضلة بين القوة الإحصائية ومستوى التحيز التقديري جوهر النقاش المنهجي في علم الإحصاء التطبيقي. يقدم الحذف الثنائي قوة إحصائية أعلى بوضوح في سياق اختبارات العلاقات الثنائية المنفردة؛ نظراً لأن حجم العينة لكل معامل ارتباط ثنائي يظل قريباً من الحجم الكلي الأصلي، مما يمنح الاختبارات القدرة على رصد الدلالات الإحصائية للتأثيرات الصغيرة. لكن هذه القوة الإحصائية المتفوقة قد تكون مضللة ومبنية على أسس هشة؛ فزيادة حجم العينة لا تعوض الخلل الناشئ عن عدم تجانس المجموعات الفرعية المستند إليها في بناء التقديرات.

في المقابل، يضحي الحذف على مستوى القائمة بقدر كبير من القوة الإحصائية عبر تقليص حجم العينة الإجمالي، ولكنه يوفر في المقابل ضمانة منهجية هامة: التقديرات الناتجة تظل غير متحيزة إطلاقاً لجميع البارامترات (المتوسطات، والتباينات، والارتباطات، ومعاملات الانحدار المتعدد) طالما تحقق شرط الفقد العشوائي التام (MCAR). أي أنه بالرغم من اتساع فترات الثقة (Confidence Intervals) وكبر الأخطاء المعيارية في الحذف الكامل نتيجة صغر العينة، إلا أن مركز التقدير يظل مطابقاً للحقيقة النظرية للمجتمع الإحصائي.

تتعقد الصورة بصورة جذرية عند انتهاك فرضية MCAR؛ فإذا كان الفقد من نمط MAR أو MNAR، فإن الحذف على مستوى القائمة يؤدي إلى تحيز مباشر في قيم المعالم الإحصائية، غير أن هذا التحيز يكون منتظماً وموجهاً باتجاه واحد يمكن تحليله وتقييمه عبر دراسات الحساسية. أما في الحذف الثنائي، فإن خرق MCAR ينتج عنه نمط فوضوي من التحيزات المتضاربة؛ إذ قد يتحيز معامل الارتباط الأول نحو الأعلى بسبب تركيبة العينة الفرعية المتاحة له، بينما يتحيز المعامل الثاني نحو الأدنى، مما يقود عند دمج هذه المعاملات في معادلة انحدار متعدد إلى تقديرات وهمية تماماً تشوه بصورة كارثية إشارات المعاملات ومستويات دلالتها.

4.3 المقارنة من حيث الخصائص الرياضية وصلاحية المصفوفات

يشكل البعد الجبري والرياضي الفاصل الحقيقي الذي يحسم الجدل عند الانتقال من التحليلات الإحصائية البسيطة إلى النمذجة المتقدمة متعددة المتغيرات. يُعد الحذف على مستوى القائمة أسلوباً مضموناً وصحيحاً من الناحية الجبرية؛ فالبيانات المستخدمة تمثل مصفوفة مستطيلة حقيقية ومتسقة تتكون من الحالات الكاملة فقط. وبالتالي، فإن مصفوفة التباين المشترك الناتجة عن ضرب هذه المصفوفة في منقولها هي بالضرورة مصفوفة تباين مشتركة نظامية وصالحة رياضياً (Gramian Matrix)، وتكون محدداتها موجبة وقيمها الذاتية حقيقية غير سالبة ($lambda ge 0$).

هذا التماسك الجبري يضمن دائماً إمكانية إجراء العمليات الحسابية المصفوفية المتقدمة بنجاح، وعلى رأسها إيجاد مقلوب المصفوفة ($S^{-1}$)، وهو الأساس الرياضي الذي تقوم عليه كافة نماذج الانحدار المتعدد، وتحليل المسار (Path Analysis)، والتحليل العاملي الاستكشافي والتوكيدي، ونمذجة المعادلات الهيكلية (SEM). يضمن الباحث مع الحذف الكامل أن البرمجيات لن تتوقف بسبب عجز حسابي، وأن معاملات الانحدار المحسوبة تعكس بدقة الحل الرياضي الأمثل لنظام المعادلات الخطية المستخدم.

على الطرف المقابل، يمثل الحذف الثنائي مجازفة جبرية كبرى؛ إذ إن جمع قيم الارتباط والتباين من مجموعات فرعية متباينة يكسر التناغم الداخلي للمصفوفة. وقد ينتج عن ذلك ما يُعرف رياضياً بـ “المصفوفة غير المعرفة إيجابياً” (Non-positive Definite)، حيث تفشل شروط متباينة كوشي-شفارتز في التحقق الجمعي عبر المتغيرات، وتظهر قيم ذاتية سالبة تجعل محدد المصفوفة سالباً أو صفرياً (مصفوفة مفردة أو شاذة Singular Matrix). عندما يواجه البرنامج مصفوفة من هذا النوع، يستحيل حساب مقلوبها، وتتوقف خوارزميات الاستمثال التكرارية عن التقارب، مما يمنع إتمام التحليل، أو يقود إلى مخرجات شاذة تتضمن تباينات سالبة لخطأ القياس (Heywood Cases)، وهي مؤشرات تعكس انهيار النموذج الرياضي برمته.

4.4 جدول مقارنة تفصيلي للأبعاد الإحصائية والعملية

يوضح الجدول المقارن التالي أبرز الفروق الهيكلية والمنهجية والرياضية بين الحذف على مستوى القائمة والحذف الثنائي عبر أبعاد التحليل الإحصائي المختلفة:

البعد المنهجي والإحصائي الحذف على مستوى القائمة (Listwise Deletion) الحذف الثنائي (Pairwise Deletion)
آلية المعالجة الميدانية استبعاد السجل بالكامل بمجرد وجود أي قيمة مفقودة في أي متغير. استبعاد الحالة من حساب الزوج المفقود فقط، والاحتفاظ بها في بقية الحسابات.
حجم العينة الفعلي ($N$) موحد وثابت بدقة عبر كافة المتغيرات والمعاملات في النموذج. متغير ومتذبذب من خلية إلى أخرى داخل نفس مصفوفة التحليل.
افتراضات آلية الفقد الأساسية يشترط الفقد العشوائي التام (MCAR) لإنتاج تقديرات غير متحيزة. يشترط الفقد العشوائي التام (MCAR) عبر كافة الأزواج المشتركة.
مستوى القوة الإحصائية منخفض إلى متوسط نتيجة التآكل الشديد في حجم العينة الفعلي. مرتفع نسبياً في العلاقات الثنائية البسيطة للحفاظ على المشاهدات.
حالة مصفوفة التباين المشترك موجبة محددة أو شبه محددة دائماً، ومتسقة جبرياً بنسبة 100%. قد تكون غير معرفة إيجابياً ومفردة رياضياً، ولا يمكن عكسها.
حساب الأخطاء المعيارية واضح ودقيق وقائم على درجات حرية محددة بدقة رياضية. إشكالي وغامض لصعوبة تحديد درجات الحرية الفعلية للنموذج.
التحيز عند انتهاك MCAR يسبب تحيزاً منتظماً في التقديرات يمكن تقييمه وضبطه نسبياً. يسبب تحيزات غير متجانسة ومتناقضة عبر خلايا المصفوفة.
الصلاحية للنمذجة المتقدمة (SEM/CFA) مقبول تقنياً وجبرياً، رغم كلفته في تقليص القوة وحجم العينة. غير مقبول منهجياً وترفضه أغلب الخوارزميات المتقدمة تلقائياً.
احتمالية الخطأ من النوع الثاني مرتفعة؛ نظراً لأن صغر العينة يعيق إثبات التأثيرات الحقيقية. منخفضة نسبياً في الاختبارات البسيطة، ولكن على حساب دقة القياس.
التنفيذ البرمجي وسهولة التطبيق الخيار الافتراضي الشائع في معظم البرمجيات القياسية دون إعداد. يتطلب اختياراً يدوياً مسبقاً في إعدادات الارتباط والتحليل.

5. أوجه التشابه ونقاط التقاطع بين الأسلوبين

5.1 الاعتماد المشترك على منطق الاستبعاد دون تعويض

بالرغم من التباين الإجرائي الحاد في أسلوب التنفيذ، يشترك الحذف على مستوى القائمة والحذف الثنائي في فلسفة منهجية جوهرية وواحدة: كلاهما ينتمي إلى عائلة الأساليب الخالية من التعويض والتقدير (Imputation-Free Approaches). يقوم هذان الأسلوبان على فكرة التخلص من البيانات المفقودة وإلقائها خارج نطاق العمليات الحسابية بدلاً من محاولة استردادها أو توليد تقديرات بديلة لها عبر النمذجة الرياضية. يتعامل الأسلوبان مع القيمة المفقودة بوصفها عبئاً يجب التخلص منه، وليس معلومة ناقصة يمكن تقدير احتمالاتها وتوزيعاتها الكامنة.

يتجنب كلا الأسلوبين الخوض في تعقيدات النمذجة التوليدية الحديثة، مثل تقدير الأرجحية العظمى للمعلومات الكاملة أو بناء نماذج السلاسل الماركوفية ومونت كارلو، مما يمنحهما ميزة السرعة الحسابية التامة والبعد عن الافتراضات التوزيعية المعقدة الخاصة بتخمين القيم التعويضية. إلا أن هذا التجنب ينطوي على قصور مفاهيمي؛ فالتعامل مع البيانات الناقصة كعناصر غير مرغوب فيها يتجاهل في كثير من الأحيان الدلالات السلوكية والمنهجية الكامنة خلف امتناع المشارك عن الإجابة أو تعثر جمع البيانات.

ينعكس هذا المنطق الاستبعادي المشترك على كيفية التعامل مع الأفراد المبحوثين داخل المجتمع؛ فكلا الأسلوبين، وإن كان الحذف الثنائي يفعل ذلك بدرجة ألطف، يتعامل مع الفرد الناقص بوصفه مصدراً محتملاً للخطأ التشغيلي ينبغي إسكات صوته في بعض أو كل مفاصل التحليل، وهو ما يشكل أرضية نقدية مشتركة يوجهها الإحصائيون المعاصرون لكلا المدخلين بوصفهما حلولاً بدائية تعود لعصر ما قبل ثورة الحوسبة والبيانات الضخمة.

5.2 الارتباط الصارم بفرضية الفقد العشوائي التام (MCAR)

تشكل نقطة التقاطع الأكثر حساسية بين الحذف الكامل والحذف الثنائي في ارتهانهما الرياضي المشترك والضروري لفرضية الفقد العشوائي التام (MCAR). لا يستطيع أي من الأسلوبين تقديم تقديرات خالية من التحيز المنهجي إذا كانت آلية الفقد في الواقع تخضع لنمط الفقد العشوائي (MAR) أو الفقد غير العشوائي (MNAR). وبمجرد ارتباط غياب البيانات بمتغيرات ملاحظة أخرى أو بالمتغير المفقود ذاته، تسقط الصلاحية الإحصائية لكلا النهجين معاً، ويصبح التعويل على نتائجهما أمراً يفتقر إلى الدقة العلمية.

يفرض هذا الارتباط الصارم التزاماً مشتركاً على الباحثين بضرورة إجراء الفحوصات الإحصائية التشخيصية لآليات الفقد قبل تبني أي منهما. ويتصدر هذه الفحوصات اختبار ليتل للفقد العشوائي التام (Little’s MCAR Test)، الذي يختبر الفرضية الصفرية القائلة بأن نمط البيانات المفقودة لا يختلف عن التوزيع العشوائي التام. فإذا جاءت دلالة هذا الاختبار إحصائية ($p < .05$)، فإن ذلك يعد دليلاً قاطعاً على رفض فرضية MCAR؛ مما يعني سقوط الأساس النظري المسوغ لاستخدام الحذف على مستوى القائمة أو الحذف الثنائي على حد سواء، وإلزام الباحث بالبحث عن استراتيجيات تعويضية متقدمة قادرة على استيعاب آلية MAR دون تحيز.

تتطابق تداعيات الفشل الإحصائي في كلا الأسلوبين كلما ارتفعت النسبة المئوية للبيانات المفقودة؛ إذ تتفاقم الأخطاء المنهجية بصورة متسارعة كلما تجاوز الفقد حدوداً متقدمة. ففي حين قد يتسامح كلا الأسلوبين مع نسب فقد هامشية للغاية لا تتجاوز 1% إلى 3% دون إحداث أثر خطير على النتائج، فإن تجاوز نسبة الفقد حاجز 10% أو 15% في ظل انتهاك MCAR يوقع كلاً من Listwise وPairwise في فخ إنتاج استنتاجات مضللة ومعاملات ارتباط مشوهة تضر بسلامة القرارات المبنية على تلك الأبحاث.

5.3 التوفر التاريخي والبرمجي المتكافئ

يشترك الحذف على مستوى القائمة والحذف الثنائي في كونهما حجر الزاوية التاريخي الذي قامت عليه حزم الحوسبة الإحصائية منذ ولادتها في سبعينيات وثمانينيات القرن العشرين. تتوفر هذه الأساليب كخيارات قياسية جاهزة ومضمنة في صلب البرمجيات الرائدة دون استثناء، مثل IBM SPSS Statistics وSAS وStata ولغة R، وحتى في برمجيات التحليل المالي والإداري الكلاسيكية. وتتميز هذه الأدوات بسهولة التفعيل النقري الفوري، مما يجعل استخدامها متاحاً لأي باحث مبتدئ دون حاجة لكتابة أسطر برمجية معقدة أو استدعاء حزم خوارزمية تكرارية متخصصة.

ورغم ظهور الثورات المنهجية التي بشرت بها خوارزميات التعويض المتعدد (Multiple Imputation) وخوارزميات الأرجحية العظمى للمعلومات الكاملة (FIML)، إلا أن الحذف الكامل والثنائي لا يزالان يحتفظان بوجود قوي في الممارسة التطبيقية. ويعود هذا الصمود المشترك إلى سهولة استخدامهما كنقاط مرجعية أساسية (Baselines) في الأبحاث الميدانية والدراسات التجريبية والمحاكاة؛ إذ يلجأ كثير من الباحثين إلى استعراض نتائجهما جنباً إلى جنب مع نتائج الطرق الحديثة لإجراء دراسات الحساسية والتحقق من مدى استقرار البنية الاستدلالية للنماذج المقترحة.

هذا التكافؤ البرمجي والتاريخي جعلهما محوراً مشتركاً للمقارنة في المقررات التدريسية للإحصاء وتحليل البيانات حول العالم؛ حيث يتعلم الطلاب من خلالهما المبادئ الأولية لإدارة البيانات غير المكتملة، ويدركون كيف أن الضغط على زر بسيط داخل قائمة الخيارات البرمجية قد يُغير حجم العينة الجذري أو يقلب نتائج العلاقات الارتباطية رأساً على عقب.

6. سياقات الاستخدام ومعايير الاختيار المنهجي

6.1 متى يكون الحذف على مستوى القائمة هو الخيار الأنسب؟

لا يعني وجود الانتقادات الموجهة للحذف على مستوى القائمة أنه أسلوب منبوذ بالمطلق في كافة التصاميم البحثية؛ بل توجد سياقات منهجية محددة يكون فيها هذا النهج هو الخيار الأفضل والأنسب والأكثر أماناً من الناحية الرياضية. يتحقق هذا التفضيل في المقام الأول عندما تكون النسبة المئوية الإجمالية للبيانات المفقودة منخفضة للغاية عبر كامل مصفوفة البيانات، كأن تكون النسبة أقل من 5%، بشرط أن يترافق ذلك مع حجم عينة أصلي كبير بما يكفي لضمان بقاء قوة إحصائية فائضة للاختبارات بعد استبعاد الحالات الناقصة، وفق ما تؤكده معايير التسجيل المسبق للأبحاث الرصينة (انظر van ‘t Veer & Giner‐Sorolla, 2016).

السياق الثاني الذي يفرض تفضيل الحذف الكامل هو التطبيق الصارم للتحليلات متعددة المتغيرات الحساسة للخصائص الجبرية لمصفوفات البيانات. فعندما يكون هدف الدراسة بناء نماذج انحدار لوجستي متعدد، أو تحليل تمايزي (Discriminant Analysis)، أو التحليل العاملي الاستكشفي والتوكيدي ونمذجة المعادلات الهيكلية (SEM)، يصبح الحذف على مستوى القائمة خياراً ضرورياً إذا ما قورن بالحذف الثنائي؛ وذلك لضمان الحصول على مصفوفة تباين مشترك متسقة وموجبة محددة تتيح إتمام العمليات الحسابية بنجاح وتفادي ظهور القيم الذاتية السالبة والتباينات الشاذة.

ويشترط لاستخدام الحذف الكامل بأمان التأكد الصارم من تحقق فرضية الفقد العشوائي التام (MCAR)؛ فإذا دلت الفحوصات التشخيصية (مثل اختبار ليتل) والمقارنات الديموغرافية على عدم وجود أي فروق ذات دلالة إحصائية بين العينة المكتملة والعينة المستبعدة، وكان الفقد ناتجاً عن أسباب عشوائية صرفة (مثل خلل تقني عابر في جهاز الرصد أو صفحة مقلوبة بالخطأ في استبانة ورقية)، فإن اللجوء إلى Listwise Deletion يوفر بساطة تفسيرية واتساقاً رياضياً دون تعريض المعالم الإحصائية لخطر التحيز.

6.2 متى يُفضل اللجوء إلى الحذف الثنائي؟

يتحول الحذف الثنائي (Pairwise Deletion) إلى بديل مفضل ومبرر منهجياً في سياقات بحثية وإجرائية مختلفة تماماً، تأتي في مقدمتها الدراسات الاستكشافية الميدانية الأولية التي تركز اهتمامها على فحص مصفوفات الارتباط الثنائية البسيطة (Bivariate Correlations). فعندما لا يسعى الباحث إلى تركيب نموذج بنائي مركب يتضمن مصفوفات مقلوبة أو معادلات متعددة، بل يريد فقط قياس قوة واتجاه الترابط بين أزواج المفاهيم المقاسة، فإن الحذف الثنائي يتيح له استخدام كل معلومة متوفرة لكل زوج من المتغيرات وتحقيق أقصى قوة إحصائية ممكنة لكل معامل بمفرده.

السياق الثاني يتمثل في الحالات التي يكون فيها حجم العينة الأصلي صغيراً إلى متوسط (على سبيل المثال، $N < 100$)، ويؤدي تطبيق الحذف على مستوى القائمة فيها إلى إبادة جزء ضخم من العينة قد يقلصها إلى أحجام متدنية تعجز عن إتمام أي فحص استدلالي. فإذا أدى الحذف الكامل إلى هبوط العينة من 80 إلى 30 حالة، فإن هذا التآكل يمثل خطراً منهجياً يهدد بإلغاء الدراسة بالكامل. هنا، يُصبح الحذف الثنائي أهون الشرين؛ حيث يحافظ على أحجام عينات معقولة لكل معامل ثنائي تتيح استمرار الاختبار، مع إدراك المحلل للقيود الرياضية المترتبة على ذلك.

كما يُحبذ اللجوء إلى الحذف الثنائي في الاستبانات الاستكشافية الموسعة التي تتضمن عدداً كبيراً جداً من البنود المتفرقة، وحيث تكون البيانات المفقودة موزعة بطريقة عشوائية بحتة ومتباعدة عبر بنود مختلفة لا تتداخل في الحالات ذاتها؛ ففي هذه الوضعية، يمثل الحذف الكامل هدراً مجحفاً لجهود المبحوثين والباحثين، بينما يتيح الحذف الثنائي تجميع أكبر قدر ممكن من العلاقات البينية دون التفريط بالهيكل العام للبيانات، شريطة الالتزام بعدم تعميم نتائجه إلى بناء نماذج انحدار مركب دون معالجات تصحيحية.

6.3 البدائل الإحصائية الحديثة وتجاوز قيود أساليب الحذف التقليدية

مع التطور الهائل في القدرات الحاسوبية والخوارزميات الإحصائية، لم يعد الباحثون مجبرين على المفاضلة الصعبة بين سيئات الحذف على مستوى القائمة وعيوب الحذف الثنائي؛ إذ وفرت المنهجيات المعاصرة بدائل متقدمة تجاوزت هذه القيود وقدّمت حلولاً أكثر رصانة وأماناً. يتصدر هذه البدائل أسلوب التعويض المتعدد (Multiple Imputation – MI)، وهو إجراء مركب يقوم على نمذجة التوزيع الاحتمالي للبيانات المفقودة وتوليد عدة مجموعات بيانات كاملة ($m$ من المجموعات) تتضمن قيماً تقديرية متغيرة تعكس عدم اليقين المحيط بالقيمة المفقودة، ثم إجراء التحليل المطلوب على كل مجموعة بشكل مستقل، قبل دمج النتائج وفق قواعد روبين المنهجية للحصول على تقديرات وأخطاء معيارية متزنة وغير متحيزة حتى في ظل فرضية الفقد العشوائي (MAR).

البديل الآخر الذي أصبح يمثل “المعيار الذهبي” (Gold Standard) في نمذجة المعادلات الهيكلية والتحليل العاملي هو خوارزمية تقدير الأرجحية العظمى للمعلومات الكاملة (Full Information Maximum Likelihood – FIML). تختلف FIML جذرياً عن أساليب الحذف والتعويض؛ فهي لا تقوم بحذف أي حالة ولا بتعويض أي قيمة اصطناعية، بل تعتمد على حساب دالة الإمكان الأعظم (Log-Likelihood) لكل حالة بناءً على المتغيرات المتاحة لها حصرياً، ثم تجميع هذه الدوال الفردية لتقدير معالم النموذج الإجمالي في خطوة واحدة متكاملة. توفر FIML تقديرات غير متحيزة وتتمتع بكفاءة إحصائية قصوى في ظل تحقق فرضية MAR، وتتفوق رياضياً على كافة الأساليب التقليدية.

تتطلب المفاضلة بين الاعتماد على أساليب الحذف التقليدية واستخدام البدائل الحديثة وعياً بالجهد الحسابي مقابل المكاسب المنهجية. فرغم أن الحذف التقليدي يبدو أسهل في التنفيذ الفوري، إلا أن الكلفة المنهجية المترتبة على التحيز، وفقدان القوة الإحصائية، ورفض الأوراق البحثية في المجلات العلمية المحكمة ذات التصنيف المرتفع، ترجح بشكل حاسم كفة البدائل الحديثة مثل MI وFIML، التي أصبحت متوفرة بيسر وسهولة في أغلب البرمجيات المتقدمة، مثل حزم lavaan وmice في بيئة R وبرمجيات Mplus وAmos.

7. الأسئلة الشائعة حول أساليب الحذف في معالجة البيانات المفقودة

7.1 هل يضمن الحذف الثنائي دائماً قوة إحصائية أعلى من الحذف على مستوى القائمة؟

الإجابة الدقيقة عن هذا السؤال تتطلب التمييز المنهجي الصارم بين الاختبارات الإحصائية البسيطة والنماذج المركبة متعددة المتغيرات. يُعد الحذف الثنائي ضامناً لقوة إحصائية أعلى في سياق الاختبارات الثنائية المنفردة (Bivariate Tests) ومعاملات الارتباط الخطية البسيطة؛ والسبب في ذلك رياضي مباشر: الاحتفاظ بكافة الحالات التي تمتلك قيماً صالحة لزوج المتغيرات المبحوث يرفع حجم العينة الفعلي ($N$) المستخدم في حساب إحصائية الاختبار ($t$-test أو $r$)، مما يؤدي إلى تقليص الخطأ المعياري وزيادة حساسية الاختبار لاكتشاف الدلالة الإحصائية مقارنة بالعدد المنكمش الذي يخلفه الحذف الكامل.

لكن هذا التفوق يتلاشى تماماً وقد يتحول إلى نتائج مضللة بصورة جذرية بمجرد الانتقال إلى بناء النماذج الإحصائية المركبة، مثل الانحدار الخطي المتعدد أو تحليل المسار. ففي هذه النماذج، لا يعتمد القرار الإحصائي على معاملات الارتباط الفردية بمعزل عن بعضها، بل يرتكز على المعكوس الجبري لمصفوفة التباين المشترك بأكملها. وحيث إن الحذف الثنائي ينتج مصفوفات مشوشة رياضياً ناتجة عن عينات فرعية متباينة، فإن ذلك يؤدي إلى تقدير غير منضبط للأخطاء المعيارية لمعاملات الانحدار الجزئي ($SE(\beta)$)، مما قد ينتج عنه تضخيم زائف للدلالة الإحصائية أو إخفاؤها تماماً، فضلاً عن الارتباط الحرج بنمط توزيع الفقد وتداخله بين المتغيرات داخل مصفوفة المشاهدات الأصلية.

7.2 لماذا ترفض بعض البرمجيات إجراء تحليل الانحدار أو SEM عند استخدام الحذف الثنائي؟

يعود رفض البرمجيات الإحصائية المتقدمة (مثل Mplus، أو lavaan في R، أو حتى إجراءات الانحدار المتقدمة في SPSS) لإتمام تحليلات الانحدار أو نمذجة المعادلات الهيكلية باستخدام الحذف الثنائي إلى أسباب جبرية وقوانين رياضية حتمية تتعلق ببنية المصفوفات. تستلزم خوارزميات الانحدار المتعدد والنمذجة البنائية حساب مقلوب مصفوفة التباين المشترك ($S^{-1}$) كخطوة أولى وأساسية لحساب المعاملات التنبؤية ومؤشرات حسن المطابقة ونظام المعادلات المتزامنة.

عندما تُبنى مصفوفة التباين أو الارتباط بالاعتماد على الحذف الثنائي، فإن تباين العينات المستخدمة لحساب الخلايا المختلفة يقود غالباً إلى توليد مصفوفة غير معرفة إيجابياً (Non-Positive Definite Matrix). هذه الحالة الرياضية تعني أن مصفوفة العلاقات الداخلية تتضمن تناقضات هندسية تخرق مبادئ الجبر الخطي؛ كأن تكون الارتباطات الجزئية المشتقة مستحيلة الوجود في فضاء إقليدي حقيقي، مما يجعل محدد المصفوفة ($|S|$) مساوياً للصفر أو سالباً (مصفوفة مفردة أو شاذة Singular Matrix). عندما تجد الخوارزمية البرمجية نفسها أمام مصفوفة ذات محدد صفري أو قيم ذاتية سالبة، يصبح إيجاد مقلوب المصفوفة مستحيلاً من الناحية الحسابية (قسمة على صفر ضمنياً)، فتتوقف العملية فوراً لحماية الباحث من استخراج معاملات وهمية رياضياً تعبر عن تباينات أخطاء سالبة أو معاملات تفسير غير منطقية.

7.3 ما هو الحد الأقصى المقبول لنسبة البيانات المفقودة لاستخدام الحذف على مستوى القائمة بأمان؟

شهدت الأدبيات الإحصائية نقاشات مستفيضة لتحديد “العتبة الآمنة” التي يجوز عندها للمحلل تطبيق الحذف على مستوى القائمة دون القلق من تداعيات التحيز وهدر المعلومات. تشير القاعدة الإرشادية التقليدية الأكثر شيوعاً في المراجع المنهجية الكلاسيكية إلى أن نسبة فقد إجمالية لا تتجاوز 5% عبر كامل مصفوفة البيانات تُعد حداً آمناً نسبياً لاستخدام الحذف الكامل، شريطة أن تكون العينة الأصلية كبيرة بما فيه الكفاية، وأن تكون هناك مؤشرات قوية تدعم تحقق فرضية الفقد العشوائي التام (MCAR).

ومع ذلك، يؤكد علماء الإحصاء المعاصرون على أن الاعتماد الحصري على النسبة المئوية المجردة يمثل تبسيطاً مخلاً ومضللاً؛ فطبيعة آلية الفقد (Mechanism of Missingness) تفوق في أهميتها المنهجية مجرد النسبة الحسابية للقيم الغائبة. فلو كانت نسبة الفقد 2% فقط، ولكنها تخضع لآلية الفقد غير العشوائي (MNAR) – كأن تكون مقتصرة حصرياً على شريحة مرضية ذات وضع حرج امتنع أفرادها عن الإجابة بسبب تدهور صحتهم في دراسات القياس اليومي (انظر Stone et al., 1991) – فإن حذف هذه النسبة الضئيلة بالحذف الكامل سيؤدي إلى تحيز منهجي صارخ في التقديرات الاستدلالية. ومن هنا، تبرز التوصية بضرورة إجراء “تحليل الحساسية” (Sensitivity Analysis) للمقارنة الدقيقة بين نتائج الحذف الكامل ونتائج خوارزميات التعويض المتعدد (MI) أو الأرجحية العظمى المباشرة (FIML)؛ للتأكد تجريبياً من عدم تغير القرارات الجوهرية للنموذج عند تغيير استراتيجية معالجة الفقد.

8. خاتمة وتوصيات منهجية للمحللين والباحثين

8.1 خلاصة الموازنة الإحصائية بين Listwise وPairwise

تقودنا القراءة المنهجية والمقارنة المتعمقة بين أسلوبي الحذف على مستوى القائمة والحذف الثنائي إلى حقيقة إحصائية بدهية تتلخص في معادلة التضحية المتبادلة: الحذف على مستوى القائمة يضحي بحجم العينة والمعلومات المتاحة في سبيل الحفاظ على الاتساق الرياضي وتماسك مصفوفات التباين، بينما يضحي الحذف الثنائي بالتماسك الرياضي والاتساق الجبري في سبيل المحافظة على حجم العينة واستغلال الأرقام المتوفرة. لا يمثل أي من هذين المدخلين حلاً إحصائياً مثالياً خالياً من التبعات السلبية، بل يجسدان تسويات إجرائية تاريخية كانت مقبولة في حقبة الحوسبة المحدودة، وباتت اليوم خاضعة لقيود منهجية صارمة.

يتعين على المحلل والباحث الإحصائي إدراك أن الاستسهال البرمجي في اعتماد الحذف الكامل بوصفه الخيار الافتراضي، أو الهروب غير المدروس إلى الحذف الثنائي لإنقاذ حجم العينة، يمثلان مجازفة بحثية قد تُفقد الدراسة مصداقيتها العلمية وتهدر جدواها التطبيقية. إن الإفصاح المنهجي الواضح والشفاف عن استراتيجية التعامل مع البيانات المفقودة، وعرض الفحوصات التشخيصية التي بُني عليها القرار، يمثلان المعيار الحقيقي لرصانة البحوث المنشورة وموثوقيتها في الأوساط الأكاديمية.

8.2 دليل إرشادي لاتخاذ القرار في معالجة البيانات المفقودة

لمساعدة الباحثين والمحللين الكميين في اتخاذ القرار المنهجي الصائب عند مواجهة مشكلة القيم المفقودة، يقترح هذا الدليل المنهجي مساراً انسيابياً متدرجاً يقوم على الخطوات المتتابعة التالية:

  • المرحلة الأولى: التشخيص واستكشاف آلية الفقد:
    • حساب النسبة المئوية الدقيقة للبيانات المفقودة لكل متغير على حدة، وللحالات الإجمالية عبر مصفوفة البيانات كاملة.
    • فحص البنية المكانية والتوزيعية للبيانات المفقودة عبر الرسوم البيانية لتحديد ما إذا كان الفقد متفرداً أم متكتلاً في أنماط متزامنة.
    • إجراء الفحوص الإحصائية لآليات الفقد، وعلى رأسها اختبار ليتل للفقد العشوائي التام (Little’s MCAR Test)؛ للتحقق من إمكانية قبول فرضية العشوائية المطلقة أو رفضها.
  • المرحلة الثانية: تقييم طبيعة النموذج والتحليل المستهدف:
    • إذا كان التحليل المطلوب مقتصراً على استكشاف العلاقات الارتباطية الثنائية البسيطة (Bivariate Correlations)، وكانت العينة صغيرة نسبياً ونمط الفقد يطابق فرضية MCAR، يمكن في هذه الحدود الضيقة استخدام الحذف الثنائي (Pairwise Deletion) مع الحذر التام من تعميم نتائجه إلى نماذج انحدار مركب.
    • إذا كان التحليل المطلوب متعدد المتغيرات (مثل الانحدار المتعدد، أو التحليل التمايزي)، وكانت نسبة الفقد الإجمالية ضئيلة للغاية (أقل من 5%) مع عينة ضخمة وتحقق قاطع لفرضية MCAR، يمكن استخدام الحذف على مستوى القائمة (Listwise Deletion) لضمان السلامة الرياضية للمصفوفات.
  • المرحلة الثالثة: تبني الممارسات المتقدمة والمعايير المعاصرة:
    • عند تجاوز نسبة الفقد عتبة 5%، أو عند ثبوت أو الاشتباه في أن آلية الفقد هي الفقد العشوائي (MAR)، يجب التوقف التام عن استخدام أساليب الحذف التقليدية (Listwise وPairwise) والتحول المباشر إلى البدائل الحديثة.
    • اعتماد تقدير الأرجحية العظمى للمعلومات الكاملة (FIML) كخيار أول في نماذج المسار، والتحليل العاملي التوكيدي، ونمذجة المعادلات الهيكلية (SEM).
    • تطبيق خوارزمية التعويض المتعدد (Multiple Imputation – MI) كخيار منهجي متفوق في النماذج الخطية العامة ونماذج الانحدار اللوجستي والبيانات الطولية متعددة المستويات.
  • المرحلة الرابعة: التوثيق الأكاديمي والتحقق التبادلي:
    • إجراء تحليل حساسية البيانات (Sensitivity Analysis) لمقارنة التقديرات الناتجة عن أساليب الحذف مع تلك الناتجة عن FIML أو MI لبيان مدى استقرار النتائج ومقاومتها لاختلاف افتراضات الفقد.
    • توثيق خطوات المعالجة بالكامل في منهجية البحث المنشور: توضيح نسبة الفقد، ونتائج اختبارات MCAR، وحجم العينة النهائي المستخدم بدقة، والمسوغات العلمية التي استند إليها الباحث في اختيار إجراء المعالجة، والبرمجيات والحزم المستخدمة في ذلك وفق المعايير الإحصائية الدولية.

المراجع

  • Chorpita, B. F., Tracey, S. A., Brown, T. A., Collica, T. J., & Barlow, D. H. (1997). Assessment of worry in children and adolescents: An adaptation of the Penn State Worry Questionnaire. Behaviour Research and Therapy. https://doi.org/10.1016/s0005-7967(96)00116-7
  • Groarke, J. M., Berry, E., Graham‐Wisener, L., McKenna-Plumley, P. E., McGlinchey, E., & Armour, C. (2020). Loneliness in the UK during the COVID-19 pandemic: Cross-sectional results from the COVID-19 Psychological Wellbeing Study. PLoS ONE. https://doi.org/10.1371/journal.pone.0239698
  • Kerr, M., Stattin, H., & Burk, W. J. (2010). A Reinterpretation of Parental Monitoring in Longitudinal Perspective. Journal of Research on Adolescence. https://doi.org/10.1111/j.1532-7795.2009.00623.x
  • Lewis, S. J., Arseneault, L., Caspi, A., Fisher, H. L., Matthews, T., Moffitt, T. E., et al. (2019). The epidemiology of trauma and post-traumatic stress disorder in a representative cohort of young people in England and Wales. The Lancet Psychiatry. https://doi.org/10.1016/s2215-0366(19)30031-8
  • Marsh, H. W., Trautwein, U., Lüdtke, O., Köller, O., & Baumert, J. (2006). Integration of Multidimensional Self‐Concept and Core Personality Constructs: Construct Validation and Relations to Well‐Being and Achievement. Journal of Personality. https://doi.org/10.1111/j.1467-6494.2005.00380.x
  • Parker, P. D., Marsh, H. W., Ciarrochi, J., Marshall, S., & Abduljabbar, A. S. (2013). Juxtaposing math self-efficacy and self-concept as predictors of long-term achievement outcomes. Educational Psychology. https://doi.org/10.1080/01443410.2013.797339
  • Stone, A. A., Kessler, R. C., & Haythomthwatte, J. A. (1991). Measuring Daily Events and Experiences: Decisions for the Researcher. Journal of Personality. https://doi.org/10.1111/j.1467-6494.1991.tb00260.x
  • van ‘t Veer, A., & Giner‐Sorolla, R. (2016). Pre-registration in social psychology—A discussion and suggested template. Journal of Experimental Social Psychology. https://doi.org/10.1016/j.jesp.2016.03.004
  • Visser, B. A., Ashton, M. C., & Vernon, P. A. (2006). Beyond g: Putting multiple intelligences theory to the test. Intelligence. https://doi.org/10.1016/j.intell.2006.02.004

تقييم هذا المحتوى

كن أول من يقيّم هذا المحتوى

عن الكاتب: Mohammed looti

أكاديمي وباحث متخصص في علم النفس التربوي، وعضو هيئة التدريس في جامعة كربلاء. يحمل درجة الدكتوراه في تخصصه، وتتمحور اهتماماته البحثية حول علم النفس الإيجابي، وتطوير المقاييس النفسية، والتنظيم الانفعالي المعرفي. يتميز الدكتور لوتي بطرحه البحثي المعاصر؛ حيث يركز على دراسة التأثيرات النفسية للتكنولوجيا الحديثة والذكاء الاصطناعي على الصحة العقلية وتكوين الهوية لدى الشباب. كما تمتد إسهاماته العلمية لتشمل دراسة ديناميكيات التواصل الأسري ودورها في بناء الكفاءة الذاتية والمهارات القيادية، بالإضافة إلى أبحاثه حول برامج "اليقظة العقلية" والتعافي النفسي، مما يجعله من الباحثين الفاعلين في إثراء ميدان علم النفس التربوي والتطبيقي.

اقتباس هذا المقال

looti, M. (2026, نوفمبر 16). الحذف على مستوى القائمة مقابل الحذف الثنائي. عرب سايكلوجي. https://arabpsychology.com/comparisons/listwise-deletion-vs-pairwise-deletion/
looti, Mohammed. “الحذف على مستوى القائمة مقابل الحذف الثنائي.” عرب سايكلوجي, 16 نوفمبر 2026, https://arabpsychology.com/comparisons/listwise-deletion-vs-pairwise-deletion/.
looti, Mohammed. “الحذف على مستوى القائمة مقابل الحذف الثنائي.” عرب سايكلوجي. نوفمبر 16, 2026. https://arabpsychology.com/comparisons/listwise-deletion-vs-pairwise-deletion/.