الإحصاء والبيانات, منهجية البحث العلمي

البيانات المفقودة عشوائياً (MAR) مقابل البيانات المفقودة غير العشوائية (MNAR)


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).

يمثل غياب البيانات أو فقدانها أحد أكبر التحديات المنهجية والإبستيمولوجية التي تواجه الباحثين والمحللين في مختلف العلوم الطبيعية والاجتماعية والطبية والسلوكية. فعندما لا تكتمل مصفوفة القياسات المخطط لها، يجد الباحث نفسه أمام معضلة إحصائية لا تتعلق فقط بتراجع كفاءة التقدير أو انخفاض القوة الاختبارية للنماذج، بل تمس جوهر صحة الاستدلال الإحصائي والقدرة على التعميم السكاني. وتزداد هذه المعضلة تعقيداً عندما ندرك أن فقدان البيانات نادراً ما يكون نتاج صدفة بحتة خالية من الأنماط والارتباطات، بل هو في الغالب انعكاس لآليات وسلوكيات كامنة تحكم عملية توليد البيانات وتسجيلها.

تاريخياً، كان التعامل مع البيانات الناقصة محكوماً بممارسات تقليدية اختزالية، مثل الحذف الكلي للحالات التي تحتوي على قيم مفقودة، أو الاستبدال بمتوسط المتغير، وهي ممارسات كشفت الأدبيات المنهجية المعاصرة عن خطورتها الشديدة في تشويه التوزيعات الاحتمالية، وتضخيم أخطاء المعاينة، وإنتاج تقديرات شديدة الانحياز لمعلمات النماذج الإحصائية. ومن هنا، ظهرت الحاجة إلى بناء إطار نظري رياضي منضبط يتيح تصنيف آليات الفقدان، ونمذجتها، واستيعابها ضمن بنية التحليل، بدلاً من تجاهلها أو التعامل معها بوصفها مجرد شوائب تقنية يمكن التخلص منها بضغطة زر.

يتمحور هذا المقال الأكاديمي الموسع حول التمييز بين اثنتين من أدق آليات الفقدان وأكثرهما إثارة للجدل في النظرية الإحصائية: البيانات المفقودة عشوائياً (Missing at Random – MAR) والبيانات المفقودة غير العشوائية (Missing Not at Random – MNAR). سنستعرض الإطار التأسيسي الذي أرساه دونالد روبن وزملاؤه، ونفكك البنية الرياضية لكل آلية، مع تسليط الضوء على الانعكاسات المنهجية الحاسمة التي تترتب على افتراض إحداهما دون الأخرى، وصولاً إلى استراتيجيات النمذجة الحديثة وتحليلات الحساسية الكفيلة بحماية النماذج الاستدلالية من الانزلاق في التقديرات المضللة.

1. مقدمة: الإطار النظري لآليات البيانات المفقودة وتحديات التمييز الإحصائي

1.1 مفهوم البيانات المفقودة وأهمية تصنيف روبن (Rubin’s Taxonomy)

ينطلق التأصيل الحديث لنظرية البيانات المفقودة من الورقة التأسيسية التي نشرها دونالد روبن عام 1976 بعنوان “الاستدلال والبيانات المفقودة” في دورية Biometrika، والتي تلاها العمل الموسع لرودريك ليتل ودونالد روبن في كتابهما المرجعي “التحليل الإحصائي للبيانات المفقودة”. وضع روبن إطاراً رياضياً دقيقاً ينقل التركيز من مجرد وجود الفراغات في جداول البيانات إلى استيعاب “العملية المولدة” (Data-Generating Mechanism) التي أدت إلى عدم رصد تلك القيم. وبموجب هذا الإطار، يُنظر إلى الفقدان ليس بوصفه خاصية ثابتة في المتغير، بل كمتغير عشوائي بحد ذاته يخضع لتوزيع احتمالي محدد.

لتوضيح ذلك رياضياً، نفترض أن لدينا مصفوفة بيانات مكتملة نظرياً يُرمز لها بالرمز $Y$. تنقسم هذه المصفوفة إلى جزأين أساسيين: الجزء المرصود بالفعل ويُرمز له بالرمز $Y_{\text{obs}}$، والجزء غير المرصود أو المفقود ويُرمز له بالرمز $Y_{\text{mis}}$. وإلى جانب مصفوفة البيانات $Y$، يتم تعريف مصفوفة ثنائية موازية مؤشرة لعملية الفقدان يُرمز لها بالرمز $R$ (أو $M$ في بعض الأدبيات التأسيسية)، حيث تأخذ الخلية $R_{ij}$ القيمة $1$ إذا كانت القيمة المقابلة $Y_{ij}$ مرصودة، وتأخذ القيمة $0$ إذا كانت القيمة مفقودة. تكمن مساهمة روبن الجوهرية في ربط مصفوفة المؤشرات $R$ بالبيانات $Y$ عبر دالة توزيع احتمالي شرطي تأخذ الصيغة $P(R mid Y, psi)$، حيث تمثل $psi$ المعلمات المجهولة الحاكمة لآلية الفقدان، بينما تمثل $\theta$ معلمات النموذج الجوهري للبيانات.

إن فهم الآلية التوليدية المحددة لـ $P(R mid Y, psi)$ يكتسب أهمية قصوى في الاستدلال الإحصائي؛ ذلك لأن الخصائص التقاربية للمقدرات، مثل عدم التحيز والكفاءة والاتساق، تعتمد بشكل كلي على العلاقة الرياضية بين مؤشرات الفقدان والقيم المرصودة وغير المرصودة. إن تجاهل هذه الآلية أو إساءة تشخيصها يترتب عليه بالضرورة تشويه لدالة الإمكان (Likelihood Function)، مما يقود إلى فترات ثقة ذات تغطية خاطئة واختبارات فرضيات فاقدة للصلاحية المنهجية.

1.2 دواعي المقارنة بين الفقدان العشوائي (MAR) والفقدان غير العشوائي (MNAR)

تنشأ الحاجة الملحة لعقد مقارنة دقيقة وتفصيلية بين الفقدان العشوائي (MAR) والفقدان غير العشوائي (MNAR) من الارتباك المفاهيمي الشائع والمستمر في الأوساط البحثية، والذي يعود في جزء كبير منه إلى التسمية الإنجليزية المضللة لمصطلح “Missing at Random”. فالكلمة “عشوائي” توحي ظاهرياً بأن عملية الفقد لا تخضع لأي نسق أو نمط محدد، وهو ما يخلط بينها وبين الفقد العشوائي التام (Missing Completely at Random – MCAR). لكن في الواقع الرياضي، يُقصد بـ MAR أن الفقدان نظامي ومرتبط بمتغيرات محددة، شريطة أن تكون تلك المتغيرات مرصودة بالكامل ضمن مصفوفة البيانات $Y_{\text{obs}}$.

وعلى النقيض من ذلك، يمثل الفقدان غير العشوائي (MNAR) السيناريو الأكثر تعقيداً؛ حيث ترتبط احتمالية الفقدان بالقيمة الكامنة للمتغير المفقود ذاته ($Y_{\text{mis}}$)، حتى بعد التحكم الإحصائي في كافة المتغيرات المرصودة المتاحة. يترتب على هذا التباين المفاهيمي شقاق منهجي عميق في كيفية التعامل مع البيانات؛ فبينما يتيح افتراض MAR استخدام حزم الخوارزميات القياسية الحديثة مثل التعويض المتعدد (Multiple Imputation) ونمذجة أقصى إمكانية للمعلومات الكاملة (Full Information Maximum Likelihood – FIML) دون الحاجة لنمذجة آلية الفقدان بشكل صريح، فإن افتراض MNAR يسقط شرط القابلية للتجاهل (Ignorability)، مما يفرض على الباحث نمذجة التوزيع المشترك للبيانات والفقدان معاً عبر أدوات نمذجة بالغة الحساسية والتعقيد الحسابي.

إن الخط الفاصل بين الآليتين ليس مجرد تفصيل رياضي مجرد، بل هو المحدد الأساسي لمدى الوثوق بالنتائج العلمية. فالتعامل مع بيانات من نمط MNAR باستخدام خوارزميات صُممت لتعمل تحت فرضية MAR يولد تحيزات جهازية (Systematic Biases) في تقدير معلمات الاتجاه المركزي ومعاملات الانحدار، وهو ما قد يؤدي إلى استنتاجات طبية أو تربوية أو اقتصادية كارثية ومغايرة تماماً للواقع الفعلي للظاهرة المدروسة.

1.3 التحدي الإبستيمولوجي والعملي في التمييز بين الآليتين

يتجسد التحدي الإبستيمولوجي الأكبر في دراسة آليات البيانات المفقودة في استحالة الفحص الإمبيريقي المباشر أو التحقق الرياضي القطعي من تحقق فرضية MAR في مقابل MNAR بالاعتماد حصرياً على البيانات المرصودة. إن التمييز بين الآليتين يقع خارج نطاق ما يمكن اختباره بالبيانات المتاحة داخل العينة قيد الدراسة؛ والسبب في ذلك بديهي وبنيوي في آن واحد: التحقق مما إذا كانت احتمالية الفقد تعتمد على القيم المفقودة ($Y_{\text{mis}}$) يتطلب بالضرورة معرفة تلك القيم غير المرصودة، وهو ما يناقض تعريف الفقدان ذاته.

بينما يمكن للباحث استخدام اختبارات دلالية إحصائية لاختبار فرضية الفقدان العشوائي التام (MCAR) مقابل الفروض الأخرى — كما في اختبار ليتل لـ MCAR المنشور عام 1988 في دورية Journal of the American Statistical Association — فإنه لا يوجد أي اختبار إحصائي، كائناً ما كان، يستطيع بمفرده إثبات أن البيانات تتبع آلية MAR وليس MNAR استناداً إلى مصفوفة البيانات المعنية وحدها. هذا القصور الرياضي الحتمي ينقل عبء التمييز والتحقق من الحقل الإحصائي البحت إلى الحقل الإبستيمولوجي والتطبيقي، حيث يغدو فهم السياق الموضوعي والتصميمي لعملية جمع البيانات هو الركيزة الأساسية لتبني أي من الفرضيتين.

إن المخاطر المترتبة على الانطلاق من افتراضات اعتباطية أو غير مبررة سياقياً تتجاوز بكثير مجرد الانحيازات الرقمية الطفيفة؛ فهي تمتد إلى تقويض الأساس الاستدلالي للبحوث. إذا افترض الباحث أن آليته تتبع MAR واستخدم طرائق التعويض القياسية لبيانات تتبع في حقيقتها آلية MNAR، فإن النماذج المستخلصة ستعطي إحساساً زائفاً بالدقة (عبر فترات ثقة ضيقة جداً ولكن متمركزة حول قيم غير صحيحة). ومن هنا، تنبع ضرورة الانتقال من منطق الفحص الإحصائي البسيط إلى إطار منهجي متكامل يجمع بين المعرفة التخصصية المتعمقة وتطبيق تحليلات الحساسية الرياضية الصارمة.

2. نظرة عامة متعمقة على البيانات المفقودة عشوائياً (MAR)

2.1 التعريف الرياضي والافتراضات الأساسية لـ MAR

تُعرّف البيانات بأنها مفقودة عشوائياً (Missing at Random – MAR) بالمعنى الدقيق الذي صاغه روبن (1976)، إذا كان التوزيع الاحتمالي الشرطي لمؤشر الفقدان $R$، بالنظر إلى مصفوفة البيانات الكاملة $Y$ والمعلمات $psi$، يعتمد فقط على الجزء المرصود من البيانات $Y_{\text{obs}}$، ولا يعتمد إطلاقاً على الجزء المفقود $Y_{\text{mis}}$. ويُعبر عن ذلك رياضياً بالصيغة الاحتمالية الآتية:

$$P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi) = P(R mid Y_{\text{obs}}, \psi)$$

تحمل هذه المعادلة دلالة احتمالية دقيقة: بالنسبة لأي قيمة معينة للبيانات المرصودة $Y_{\text{obs}}$، فإن احتمالية حدوث الفقدان مستقلة شرطياً (Conditionally Independent) عن القيم التي كان من المفترض رصدها في $Y_{\text{mis}}$. بعبارة أخرى، إذا تشابه شخصان أو مفردتان في كافة الخصائص والمتغيرات المرصودة التي يتم قياسها في الدراسة، فإن احتمالية فقدان قياس معين لديهما تكون متطابقة تماماً، بغض النظر عما كانت ستكون عليه تلك القيمة لو أنها سُجلت بالفعل.

يترتب على هذا الاستقلال الشرطي ميزة رياضية هائلة تتعلق بقابلية دالة الإمكان المشتركة للتفكيك الرياضي (Factorization). في إطار التقدير القائم على أقصى إمكانية (Maximum Likelihood)، تُعرف الإمكانية الهامشية للبيانات المرصودة $Y_{\text{obs}}$ ومؤشر الفقدان $R$ بتكامل التوزيع المشترك على نطاق القيم المفقودة:

$$L(\theta, \psi mid Y_{\text{obs}}, R) = \int P(Y_{\text{obs}}, Y_{\text{mis}} mid \theta) P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi) , dY_{\text{mis}}$$

وبتطبيق شرط MAR، تصبح $P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi) = P(R mid Y_{\text{obs}}, \psi)$ حرة من $Y_{\text{mis}}$، مما يتيح إخراجها خارج رمز التكامل:

$$L(\theta, \psi mid Y_{\text{obs}}, R) = P(R mid Y_{\text{obs}}, \psi) \int P(Y_{\text{obs}}, Y_{\text{mis}} mid \theta) , dY_{\text{mis}} = P(R mid Y_{\text{obs}}, \psi) P(Y_{\text{obs}} mid \theta)$$

هذا التفكيك يوضح أن دالة الإمكان تتجزأ إلى جزأين منفصلين تماماً: جزء يعتمد على معلمات النموذج الجوهري للبيانات $\theta$ والبيانات المرصودة $Y_{\text{obs}}$، وجزء يعتمد على معلمات آلية الفقدان $psi$ ومؤشر الفقدان $R$. وطالما كانت المعلمات $\theta$ و $psi$ متمايزة ومستقلة وظيفياً (Distinct Parameters) في الفضاء البارامتري، فإن الاستدلال حول $\theta$ لا يتطلب أي نمذجة لآلية الفقدان $P(R mid Y_{\text{obs}}, \psi)$، وهو ما يُعرف بشرط القابلية للتجاهل.

2.2 أمثلة تطبيقية وسيناريوهات الفقدان المشروط

تتجسد آلية MAR في طيف واسع من السيناريوهات الواقعية في الأبحاث الميدانية والتجريبية. ومن الأمثلة الكلاسيكية على ذلك في المسوح الاجتماعية والاقتصادية: دراسة استقصائية ترصد دخل الأسرة ومستواها التعليمي وفئتها العمرية؛ فإذا لوحظ أن الأفراد الأصغر سناً يمتنعون عن الإفصاح عن دخلهم بمعدلات أعلى من الأفراد الأكبر سناً، ولكن ضمن أي فئة عمرية محددة متجانسة لا توجد أي علاقة بين مستوى الدخل الفعلي للشخص واحتمالية امتناعه عن الإجابة، فإن آلية الفقدان هنا تكون مفقودة عشوائياً (MAR) استناداً إلى العمر المرصود.

وفي مجال التجارب الإكلينيكية والدراسات الطبية، يظهر الفقدان المشروط بوضوح في متابعة الأمراض المزمنة. على سبيل المثال، في دراسة تتبعية لمرضى ارتفاع ضغط الدم، قد يتخلف بعض المرضى عن زيارة المتابعة السريرية الأخيرة لأن قراءات ضغط الدم السابقة المسجلة لديهم في الملف الطبي كانت مستقرة ومنخفضة للغاية، مما جعلهم يشعرون بعدم الحاجة للمتابعة. طالما أن احتمالية الغياب تعتمد على القراءات التاريخية المرصودة بالفعل في العيادة، فإن الفقدان يظل خاضعاً لشرط MAR. نجد تطبيقات موازية لهذا المفهوم في دراسات الرعاية النفسية والتدخلات السريرية؛ ففي تجربة منضبطة معشاة لتقييم برامج الحد من التوتر والنزاع داخل الأقسام النفسية الحادة (Bowers et al., 2015)، يتأثر انقطاع المشاركين أو غياب تقييمات معينة بخصائص الجناح أو التاريخ المرضي المرصود للمريض عند قبوله، وهو ما يقع مباشرة تحت مظلة الفقدان القابل للضبط الإحصائي عبر البيانات المتاحة.

كذلك تبرز سيناريوهات MAR في برامج مراقبة النتائج الروتينية في العلاج النفسي؛ حيث أظهرت الدراسات التقييمية لمسارات العلاج الاستشاري (Brattland et al., 2018) أن تسرب المرضى أو تخلفهم عن ملء استبيانات المتابعة الأسبوعية يرتبط بدرجة التحالف العلاجي وشدة الأعراض المقاسة في الجلسات الابتدائية. وفي سياق القياس النفسي والتعليمي، كما هو الحال في قياس أبعاد الرفاه العام وجودة الحياة (Longo et al., 2017)، يرتبط الغياب عن التقييم النهائي بمتغيرات ديموغرافية ومؤشرات شخصية رُصدت بدقة عند خط الأساس، مما يتيح نمذجة الاستجابة وفق معطيات MAR الرياضية دون تحيز منهجي مخل.

2.3 إمكانية التجاهل والتعويض الإحصائي (Ignorability)

يعد مفهوم “إمكانية التجاهل” (Ignorability) الذي صاغه روبن (1976) من أهم الإنجازات النظرية في الإحصاء التطبيقي. يعني التجاهل هنا تحديداً: أنه ليس من الضروري للباحث صياغة نموذج رياضي صريح يحدد كيف ولماذا فُقدت البيانات، لكي يتمكن من التوصل إلى تقديرات استدلالية صحيحة وغير متحيزة لمعلمات المجتمع $\theta$. ويتحقق شرط التجاهل الكامل تحت مظلة الاستدلال القائم على دالة الإمكان أو الإطار البايزي بتوافر شرطين متلازمين:

  1. أن تكون آلية الفقدان مفقودة عشوائياً (MAR).
  2. أن تكون معلمات توزيع البيانات $\theta$ ومعلمات آلية الفقدان $psi$ مستقلة ومتمايزة وظيفياً (Parameter Distinctness)، وهو ما يعني بايزياً أن التوزيعات القبلية لـ $\theta$ و $psi$ مستقلة تماماً.

تحت مظلة هذا الافتراض المحوري، تبرز طريقتان رائدتان كمعيار ذهبي للتحليل الإحصائي:

  • التعويض المتعدد (Multiple Imputation – MI): وتحديداً تقنية التعويض المتعدد بالسلاسل المترابطة (MICE). تقوم هذه الطريقة على توليد $m$ من مصفوفات البيانات المكتملة، حيث تُستبدل كل قيمة مفقودة بعدة قيم محتملة مولدة من التوزيع التنبؤي الشرطي $P(Y_{\text{mis}} mid Y_{\text{obs}})$. تُحلل كل مصفوفة مكتملة تحليلاً منفرداً، ثم تُدمج التقديرات وأخطاؤها المعيارية وفق قواعد روبن (Rubin’s Rules) الشهيرة، بما يضمن احتساب التباين الكلي الناشئ عن عدم اليقين المحيط بالقيم المفقودة ذاتها.
  • أقصى إمكانية للمعلومات الكاملة (Full Information Maximum Likelihood – FIML): وهي طريقة تقدير مباشرة لا تتطلب تعويض القيم المفقودة بأرقام، بل تقوم على تعظيم دالة الإمكان اللوغاريتمية لكل حالة على حدة باستخدام جميع المتغيرات المرصودة المتاحة لتلك الحالة المحددة، ثم جمع دالات الإمكان الفردية عبر العينة بأكملها. يُعد نهج FIML المعيار القياسي المعتمد في نمذجة المعادلات الهيكلية (SEM) ونماذج المسار ونماذج النمو الخطي الكامن، متفوقاً تماماً على الطرائق التقليدية كالحذف الكلي للحالات (Listwise Deletion).

تضمن هاتان المنهجيتان، طالما كان افتراض MAR متحققا ومحدد النمذجة بطريقة صحيحة وشاملة لكافة المتغيرات المفسرة للفقد، الحصول على مقدرات تتسم بعدم التحيز (Unbiasedness)، والاتساق التقاربي (Consistency)، والكفاءة الإحصائية القصوى (Asymptotic Efficiency).

3. نظرة عامة متعمقة على البيانات المفقودة غير العشوائية (MNAR)

3.1 البنية الرياضية وطبيعة الاعتماد الذاتي (Self-Masking)

تمثل البيانات المفقودة غير العشوائية (Missing Not at Random – MNAR)، والتي يشار إليها أيضاً في الأدبيات المتقدمة بالفقدان غير القابل للتجاهل (Non-ignorable Missingness)، الحالة التي تفشل فيها شروط الاستقلال الشرطي التي تقوم عليها آلية MAR. بموجب هذا التعريف، تظل احتمالية الفقدان مرتبطة بالقيمة الحقيقية الكامنة للمتغير المفقود ذاته، حتى بعد إدخال وضبط جميع المتغيرات المرصودة في مصفوفة البيانات $Y_{\text{obs}}$.

تأخذ الصيغة الاحتمالية لآلية MNAR الشكل الآتي، حيث لا يمكن اختزال $Y_{\text{mis}}$ من التوزيع الشرطي:

$$P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi) \neq P(R mid Y_{\text{obs}}, \psi)$$

تتجلى في هذه الآلية ظاهرة بنيوية بالغة الخطورة تُعرف بـ “الإخفاء الذاتي” (Self-Masking). ويعني الإخفاء الذاتي أن القيمة المستهدفة بالقياس هي المحرك والسبب السببي المباشر لاختفائها؛ فالمتغير المفقود هو الذي يُحجب نفسه بنفسه عن المشاهدة والتسجيل. فإذا اعتبرنا أن $Y$ متغير مستمر، فإن احتمالية أن تكون الخلية المقابلة له مفقودة ($R = 0$) هي دالة رياضية غير تافهة تتأثر مباشرة بقيمة $Y$ ذاتها، كأن تتزايد احتمالية الغياب باطراد مع ارتفاع قيمة $Y$ أو مع انخفاضها الشديد.

من الناحية الحسابية والتحليلية، يؤدي هذا الاعتماد المباشر على $Y_{\text{mis}}$ إلى شلل كامل في تفكيك دالة الإمكان المشتركة. فالتكامل الرياضي السابق:

$$L(\theta, \psi mid Y_{\text{obs}}, R) = \int P(Y_{\text{obs}}, Y_{\text{mis}} mid \theta) P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi) , dY_{\text{mis}}$$

لا يمكن إنجازه هنا بمعزل عن صياغة نموذج رياضي صريح يحدد طبيعة الدالة $P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi)$. بعبارة أخرى، تسقط فرضية القابلية للتجاهل تماماً؛ ويستحيل على المحلل استبعاد معلمات الفقدان $psi$ أثناء تقدير معلمات البيانات $\theta$. إن التوزيع الهامشي للبيانات المرصودة يصبح مشتبكاً بصورة غير قابلة للفصل مع التوزيع الشرطي للفقد، مما يعني أن أي استدلال إحصائي يعتمد فقط على $P(Y_{\text{obs}} mid \theta)$ سيكون بالضرورة مشوباً بانحياز هيكلي دائم لا يزول بزيادة حجم العينة مهما بلغت ضخامتها.

3.2 السيناريوهات الواقعية لـ MNAR في العلوم الاجتماعية والطبية

تحفل الممارسات البحثية في العلوم السلوكية والإكلينيكية والاجتماعية بأمثلة صارخة على الفقدان غير العشوائي. في المسوح الاقتصادية والاجتماعية المعنية بتوزيع الثروة ومستويات المعيشة، نجد أن الأفراد الذين يمتلكون ثروات طائلة جداً يميلون بدافع الخصوصية أو الحذر الضريبي إلى رفض الإجابة عن أسئلة الدخل والثروة، وفي المقابل، يمتنع الأفراد الذين يعانون من فقر مدقع عن الإفصاح عن مداخيلهم بدافع الحرج الاجتماعي. في هذه الحالة، حتى لو قمنا بضبط المتغيرات الديموغرافية والتعليمية المرصودة بالكامل، يظل الدخل المرتفع جداً أو المنخفض جداً مفقوداً بسبب قيمته المتطرفة بالذات، وهو ما يمثل آلية MNAR نقية.

أما في التجارب السريرية وتجارب التدخلات النفسية والرقمية، فيشكل MNAR التحدي الأكثر إرباكاً للمحققين. في تقييم فعالية تطبيقات الهواتف الذكية وتطبيقات الذكاء الاصطناعي للدعم النفسي لدى الشباب الذين يعانون من أعراض الاكتئاب (He et al., 2022)، وتدخلات الدعم النفسي القائمة على الروبوتات المحادثية (Sabour et al., 2023)، كثيراً ما يُلاحظ انقطاع المشاركين عن إكمال التقييمات البعدية. يرجع هذا التسرب غالباً إلى تدهور حاد في الحالة المزاجية للمشارك، أو استسلامه لمشاعر اليأس، أو شعوره بانعدام الجدوى؛ مما يعني أن شدة أعراض الاكتئاب غير المرصودة في تلك اللحظة هي بحد ذاتها الدافع المباشر للانسحاب. هذا النمط ينطبق تماماً على تجارب تطبيقات التأمل واليقظة الذهنية الموجهة ذاتياً عبر الهواتف (Goldberg et al., 2020)، وتجارب العلاج المعرفي السلوكي الموجه للكوادر الصحية أثناء الأزمات والجوائح (Weiner et al., 2020)؛ فالأفراد الذين يعانون من إنهاك نفسي مفرط هم الأقل قدرة على التفاعل مع التطبيق وإكمال المقاييس اللاحقة.

كما تمتد هذه المعضلة إلى الدراسات الوبائية طويلة المدى؛ ففي أبحاث اضطرابات النوم ومخاطر الإصابة بالخرف والاضطرابات العصبية التردية (Sindi et al., 2018)، يتخلف المشاركون الذين أصيبوا بتدهور معرفي فعلي عن حضور جلسات التقييم العصبي الإدراكي المعقدة نظراً لعجزهم عن الانتقال أو استيعاب المهام، فتصبح الدرجات المتدنية في اختبارات الإدراك مفقودة تحديداً بسبب كونها متدنية. ونفس الأمر نجده في دراسات التغيرات البنيوية في الدماغ وصعوبات القراءة (Eckert et al., 2016)، وفي تتبع أثر صدمات الطفولة على الوفيات المبكرة (Kelly‐Irving et al., 2013)؛ حيث إن الأشخاص الأكثر عرضة لاعتلالات صحية واجتماعية شديدة يغيبون عن التتبع نتيجة ظروفهم الصحية الحرجة غير المسجلة، وهو التجسيد البارز لآلية MNAR.

3.3 معضلة عدم القابلية للاختبار المباشر (Non-Testability)

تتمحور معضلة الفقدان غير العشوائي حول حقيقة رياضية ومنهجية قاطعة: استحالة إخضاع فرضية MNAR لأي اختبار دلالة إحصائية قطعي مباشر داخل العينة المتاحة. في الممارسة الإحصائية، عندما يقترح الباحث اختباراً لفرضية ما، فإنه يعتمد على المقارنة بين توزيعات البيانات المرصودة. لكن في حالة MNAR، يكمن جوهر الفرضية في وجود علاقة بين مؤشر الفقدان $R$ وقيم $Y_{\text{mis}}$ المحجوبة التي لا توجد في حوزة الباحث أصلاً.

يترتب على ذلك أن أي محاولة لبناء نموذج لمعالجة MNAR تتطلب بالضرورة صياغة “افتراضات غير قابلة للاختبار إمبيريقياً” (Untestable Identifying Assumptions). فعندما يختار الباحث نموذجاً معيناً لربط الفقد بالبيانات غير المرصودة، فإنه يفرض على البيانات شكلاً رياضياً محدداً (مثل فرض التوزيع الاعتدالي المشترك للأخطاء، أو تحديد دالة لوجستية للفقد) لا يمكن فحص مدى صحته من البيانات المتاحة وحدها. وتكمن المأساة المنهجية هنا في أن نماذج مختلفة جداً، تبدأ من افتراضات متباينة جوهرياً حول آلية MNAR، يمكن أن تقدم تطابقاً متكافئاً وتاماً (Equivalent Fit) مع البيانات المرصودة $Y_{\text{obs}}$، ولكنها تسفر في الوقت ذاته عن تقديرات متناقضة جذرياً للقيم المفقودة $Y_{\text{mis}}$ ولمعلمات النموذج الجوهري $\theta$.

لذا، فإن التعامل المنهجي مع MNAR يفرض التحول من عقلية “التحقق والاختبار” (Testing and Verification) إلى عقلية “استكشاف الحساسية والنمذجة المشروطة” (Sensitivity Analysis and Scenario Modeling). يجب على الباحث أن يدرك أن الحلول الحسابية هنا ليست براهين موضوعية مستخلصة من البيانات، بل هي نتائج مشروطة بصحة الافتراضات النظرية التي تم تضمينها في بنية النموذج التعويضي.

4. الفروق الجوهرية بين MAR و MNAR

4.1 آلية التوليد والعلاقة بالمتغير المفقود نفسه

يكمن الاختلاف الجذري بين الآليتين في مسار الاعتماد السببي والاحتمالي الذي يربط مصفوفة مؤشرات الفقدان $R$ بمصفوفة البيانات $Y$. في إطار الفقدان العشوائي (MAR)، يمثل المتغير المرصود الوسيط التام أو السبب المشترك الذي يفسر غياب البيانات؛ فالعلاقة بين مؤشر الغياب والقيمة المستهدفة هي علاقة زائفـة تختفي بمجرد إجراء الضبط الإحصائي الشرطي على المتغيرات المرصودة. إذا تمكنا من التحكم في المتغيرات المتاحة، فإن عملية الفقد تغدو بمثابة اختيار عشوائي بحت ضمن كل فئة فرعية مشروطة.

في المقابل، تتميز آلية MNAR بوجود سهم سببي مباشر ومستقل يتجه من القيمة غير المرصودة للمتغير ذاته إلى مؤشر الفقدان $R$. في لغة الرسوم البيانية التوجيهية اللاحلقية (Directed Acyclic Graphs – DAGs) المستخدمة في الاستدلال السببي المتقدم، يُعد مؤشر الفقدان $R$ في حالة MAR غير مرتبط ارتباطاً مباشراً بالمتغير الكامن $Y$ بعد حجب المسارات المفتوحة عبر المتغيرات المرصودة $X$. أما في حالة MNAR، فإن هناك مساراً مفتوحاً ومباشراً لا يمكن إغلاقه يربط $Y$ بـ $R$ ($Y \rightarrow R$).

هذا الفارق البنيوي في الآلية التوليدية ينعكس مباشرة على التوزيع المشترك: فبينما يمثل MAR حالة من “الاعتماد المنقول عبر الملاحظات”، يمثل MNAR حالة “الاعتماد الأصيل والذاتي المحجوب”، وهو ما يجعل محاولة التخلص من انحياز MNAR دون نمذجة مباشرة مسألة مستحيلة رياضياً.

4.2 القابلية للاختبار الإمبيريقي والتحقق الإحصائي

يختلف موقف المحلل الإحصائي تماماً عند محاولة تقييم مدى واقعية كل من الفرضيتين. بالنسبة لفرضية MAR، على الرغم من أنها بالمعنى الحرفي الصارم غير قابلة للإثبات الرياضي القطعي المطلق (لأنه يستحيل دائماً استبعاد احتمال وجود جزء غير مرصود متبقٍ يؤثر على الفقد)، إلا أنها قابلة للتقريب والفحص الاستكشافي المنهجي. يستطيع الباحث فحص مصفوفة البيانات المرصودة للتأكد مما إذا كانت المتغيرات المتاحة تتنبأ باحتمالية الغياب؛ فإذا وجد ارتباطات قوية ودالة بين المتغيرات الديموغرافية والسريرية المرصودة ومؤشرات الفقدان، فإن ذلك يدعم معقولية فرضية MAR ويبرر استخدام طرائق مثل FIML و MICE.

أما فرضية MNAR، فهي محصنة ضد أي فحص إمبيريقي داخلي مستند إلى مصفوفة البيانات الحالية. السبيل الوحيد لإثبات وجود آلية MNAR بشكل إمبيريقي تجريبي هو تنفيذ دراسات استقصائية تتبعية إضافية باهظة التكلفة لملاحقة المنسحبين وغير المستجيبين؛ كأن تبذل جهود استثنائية للوصول إلى عينة عشوائية من أولئك الذين رفضوا الإجابة، وقياس قيمهم المفقودة بوسائل بديلة مكثفة، ثم مقارنة متوسطاتهم بمتوسطات من استجابوا طوعاً في المرحلة الأولى.

وفي غياب مثل هذه البيانات الخارجية الملاحقة، يُحظر إحصائياً الزعم بأن اختباراً دلالياً ما قد أثبت وجود أو نفي MNAR. ونتيجة لذلك، يحل “تحليل الحساسية” (Sensitivity Analysis) محل اختبارات الفرضيات التقليدية؛ حيث يتخلى الباحث عن فكرة التوصل إلى رقم قاطع وحيد، ويتجه بدلاً من ذلك إلى رسم منحنيات التغير في المعلمات عبر طيف واسع من الافتراضات غير القابلة للاختبار.

4.3 طرق المعالجة الرياضية والنمذجة المتاحة

يعكس التباين بين الآليتين هوة شاسعة في ترسانة الخوارزميات والنماذج المتاحة للتعامل مع كل منهما. تحت مظلة MAR، يتحرك المحلل الإحصائي في بيئة حسابية مستقرة وراسخة تاريخياً؛ حيث توفر معظم البرمجيات الإحصائية المتقدمة أدوات قياسية متطورة للتعويض المتعدد عبر المعادلات المتسلسلة (MICE)، أو عبر التوزيع الطبيعي المتعدد (FCS)، فضلاً عن خوارزميات أقصى إمكانية للمعلومات الكاملة (FIML) والتوزين بالاحتمال العكسي للمطاوعة (Inverse Probability Weighting – IPW). هذه الخوارزميات تتميز بالصلابة الحسابية وسهولة التقارب وتقليل مخاطر الانحياز البارامتري، وتعمل تلقائياً دون حاجة لتدخل الباحث لتحديد معادلات الفقد.

على العكس من ذلك، يتطلب التعامل مع MNAR اللجوء إلى فئات معقدة ومتخصصة من النماذج الإحصائية التي تشترك في خاصية واحدة: صياغة نموذج رياضي مشترك يدمج بين معادلة القياس ومعادلة الفقدان. وتنقسم هذه النماذج إلى مسارين رئيسيين:

  • نماذج الاختيار (Selection Models): وتقوم على تفكيك التوزيع المشترك إلى صيغة:
    $$P(Y, R mid \theta, \psi) = P(Y mid \theta) P(R mid Y, \psi)$$
    ومن أشهر تطبيقاتها التاريخية نموذج هيكمان ذو المرحلتين (Heckman Two-Step Correction) المخصص لتصحيح الانحياز الناتج عن الانتقاء الذاتي للعينات. يعتمد هذا النهج على نمذجة المتغير الكامن للفقدان عبر انحدار بروبيت، وحساب نسبة ميلز المعكوسة (Inverse Mills Ratio) لإدراجها كمتغير مصحح في معادلة الانحدار الأصلية.
  • نماذج خليط الأنماط (Pattern-Mixture Models): وتقوم على عكس التفكيك الرياضي ليأخذ الصيغة:
    $$P(Y, R mid \theta, \psi) = P(Y mid R, \theta) P(R mid \psi)$$
    في هذا النهج، يُقسم مجتمع الدراسة إلى طبقات فرعية بناءً على نمط الفقدان (مكتملون، منسحبون مبكراً، منسحبون متأخراً)، ويتم تقدير معلمات البيانات لكل نمط على حدة، ثم ربط هذه الأنماط معاً عبر قيود استبقاء بارامترية غير قابلة للاختبار (Parameter Identifying Restrictions).

تتسم طرائق MNAR هذه بعبء حسابي هائل، وهشاشة شديدة في التقارب، واعتماد مفرط على افتراضات التوزيع الطبيعي المتعدد للمتغيرات الكامنة؛ حيث إن أي انتهاك بسيط للاعتدالية في نموذج هيكمان مثلاً يمكن أن ينتج انحيازات تفوق بكثير انحياز الحذف الكلي للحالات.

4.4 درجة حساسية النتائج ومخاطر الانحياز التقديري

تختلف تبعات الفشل في مطابقة النموذج الرياضي مع الواقع التوليدي للبيانات بين الآليتين اختلافاً جذرياً. في ظل فرضية MAR، إذا وُفّق الباحث في تضمين مصفوفة كافية من المتغيرات التنبؤية والمساعدة في نموذج التعويض أو الإمكان، فإن حساسية النتائج تظل منخفضة ومستقرة، وتكون التقديرات الناتجة محمية تماماً ضد الانحياز الهيكلي، وتستقر فترات الثقة عند مستويات تغطيتها الاسمية المحددة مسبقاً (مثل 95%).

في المقابل، تتميز بيانات MNAR بالحساسية الفائقة والهشاشة المنهجية (Extreme Sensitivity). إن تجاهل آلية MNAR ومعالجة البيانات كما لو كانت تتبع MAR يؤدي إلى تشويه منهجي غير قابل للعلاج في معاملات الارتباط وميول الانحدار وتقديرات التأثير العلاجي؛ حيث ينجرف التقدير بعيداً عن القيمة الحقيقية في المجتمع بمقدار يتناسب طردياً مع قوة الارتباط الذاتي بين الفقد والقيمة المحجوبة. علاوة على ذلك، فإن تطبيق نماذج MNAR المتقدمة لا يضمن السلامة المطلقة للنتائج؛ لأن معلمات النموذج تكون شديدة الحساسية للتفاصيل الصغرى للافتراضات القبلية التي يضعها الباحث، مثل فرض خطية دالة اللوجيت أو تجانس تباين الأخطاء العشوائية. هذا ما يجعل الخطر التقديري في MNAR خطراً مركباً ومزدوجاً: خطر الانحياز الناتج عن التجاهل، وخطر الانحياز الموازي الناتج عن سوء تحديد نموذج الفقدان المعقد.

وجه المقارنة البيانات المفقودة عشوائياً (MAR) البيانات المفقودة غير العشوائية (MNAR)
التعريف الرياضي الشرطي $P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi) = P(R mid Y_{\text{obs}}, \psi)$ $P(R mid Y_{\text{obs}}, Y_{\text{mis}}, \psi) \neq P(R mid Y_{\text{obs}}, \psi)$
المحرك الأساسي لعملية الفقد المتغيرات المرصودة والمقاسة فعلياً في الدراسة ($Y_{\text{obs}}$). القيم الكامنة غير المرصودة للمتغير المفقود ذاته ($Y_{\text{mis}}$).
شرط إمكانية التجاهل (Ignorability) متحقق بالكامل (لا يتطلب نمذجة صريحة لدالة الفقدان). ساقط تماماً (تجب النمذجة المشتركة للبيانات وآلية الفقد).
القابلية للاختبار الإمبيريقي الداخلي قابلة للفحص والتقريب عبر المتغيرات المرصودة المساعدة. مستحيلة الاختبار قطعياً دون بيانات استقصائية خارجية إضافية.
الخوارزميات والطرائق القياسية FIML، التعويض المتعدد (MICE)، التوزين بالاحتمال العكسي (IPW). نماذج اختيار هيكمان، نماذج خليط الأنماط، المعلمات المشتركة.
التعقيد الحسابي ومشاكل التقارب منخفض إلى متوسط؛ خوارزميات مستقرة تقاربياً ومتاحة قياسياً. شديد التعقيد؛ عدم استقرار التقارب، وحساسية حادة للافتراضات.
التبعات عند إساءة التحديد والتعامل تقديرات متسقة وغير متحيزة متى ما ضُمِّنت المتغيرات الصحيحة. تحيز بنيوي دائم في المعلمات وتشوه شديد في فترات الثقة.
المنهجية الفضلى لتقييم المتانة مقارنة نماذج التعويض، فحص مصفوفات التباين والارتباط المشترك. تحليل الحساسية المنهجي، وتحليل نقطة التحول (Tipping Point).

متى نعتمد فرضية MAR ومتى نتحول إلى ترجيح MNAR؟

إن الاختيار بين التعامل مع البيانات كـ MAR أو التحوط لـ MNAR ليس خياراً تفضيلياً مجرداً، بل هو قرار منهجي محكوم بالسياق الميداني للبيانات وفق الإرشادات الآتية:

  • نعتمد فرضية MAR كفرضية عمل أساسية عندما:
    • تتوفر في الدراسة قاعدة عريضة وشاملة من المتغيرات المساعدة والتاريخية المرصودة التي ترتبط ارتباطاً وثيقاً بظاهرة التسرب أو الامتناع عن الاستجابة.
    • يكون تصميم الدراسة قائماً على جمع قياسات متكررة ومتقاربة زمنياً، حيث يمكن للملاحظات المسجلة في النقطة الزمنية السابقة ($t-1$) التنبؤ بحالة الفقدان في النقطة اللاحقة ($t$).
    • تكون أسباب الفقدان المعلنة أو الموثقة إدارياً خارجية عن رغبة المبحوث أو حالته الصحية الكامنة (كالغياب لأسباب لوجستية، أو انتهاء التمويل، أو تغير محل الإقامة المستقل عن المرض).
  • نتحول وجوباً إلى ترجيح ونمذجة MNAR (مع تحليلات الحساسية) عندما:
    • يدور موضوع الاستبيان أو القياس حول قضايا شديدة الحساسية الفردية أو الاجتماعية (مثل الثروات الطائلة، الأنشطة غير القانونية، السلوكيات الوصمية، الإدمان).
    • تكون التجربة السريرية موجهة لعلاج أمراض حادة أو اضطرابات نفسية عميقة، وتتزامن حالات الانسحاب مع الإبلاغ عن آثار جانبية عنيفة أو إخفاق تدريجي ملموس في الاستجابة للعلاج.
    • تشير الأدبيات المتخصصة والمعرفة الإكلينيكية إلى أن المتغير الكامن المقاس هو بحد ذاته المانع البيولوجي أو النفسي للمفحوص من تقديم الاستجابة.

5. نقاط الالتقاء والتداخل المفاهيمي بين الآليتين

5.1 الاستمرارية الرياضية والمنطقة الرمادية بين MAR و MNAR

على الرغم من التمايز النظري الصارم بين المعادلتين الرياضيتين لـ MAR و MNAR، إلا أن الممارسة التطبيقية تكشف عن وجود “طيف متصل” (Continuum) ومنطقة رمادية واسعة تفصل بينهما في الدراسات الميدانية المعقدة. ففي الواقع التجريبي، نادراً ما توجد بيانات تتبع MAR الصرفة بنسبة مائة بالمائة وبشكل مطلق، تماماً كما أنه من النادر أن تكون آلية الفقدان معزولة تماماً عن كافة المتغيرات المرصودة لتكون MNAR نقية.

يمكن تمثيل هذا الطيف بالنظر إلى مقدار التباين في احتمالية الفقدان الذي يمكن تفسيره بالمتغيرات المرصودة في مقابل التباين المتبقي الذي يعود إلى القيمة الكامنة ذاتها. فكلما كانت الارتباطات بين المتغيرات المرصودة والظاهرة المدروسة قوية ومتعددة الأبعاد، اقتربت الآلية عملياً من حدود MAR وتقلصت المساحة المتاحة لتأثير MNAR. وعلى العكس، كلما كانت أدوات القياس المتاحة فقيرة ومحدودة، اتسعت فجوة التباين غير المفسر لتتحول البيانات حكماً نحو منطقة MNAR. ومن هنا، يرى كبار المنهجيين في التحليل الإحصائي أن التمييز الحقيقي في التطبيق ليس بين وجود الفقدان غير العشوائي أو عدمه، بل في “درجة ونسبة” الابتعاد عن فرضية MAR ومدى قابلية هذا الابتعاد لإحداث انحياز جوهري في القرارات العلمية.

5.2 الاعتماد على المتغيرات المساعدة (Auxiliary Variables) للتقريب

تمثل “الاستراتيجية الشاملة” (Inclusive Strategy) التي قاد تنظيرها كولينز وشيفر وكام (Collins, Schafer, & Kam) في ورقتهم التأسيسية عام 2001 في دورية Psychological Methods، حجر الزاوية المنهجي لتقليص الهوة بين MNAR و MAR. تقوم هذه الاستراتيجية على فكرة أن الباحث يستطيع تحويل آلية فقدان يُشتبه بشدة في كونها MNAR إلى آلية تقترب بالكامل من MAR القابلة للإدارة الإحصائية، وذلك من خلال الجمع المتعمد والواعي لـ “متغيرات مساعدة” (Auxiliary Variables).

المتغيرات المساعدة هي متغيرات تُقاس في الدراسة ولكنها ليست جزءاً من النموذج النظري أو الموضوعي الجوهري المستهدف بالاختبار الفرضي. لكي يؤدي المتغير المساعد دوره بكفاءة، يجب أن يستوفي أحد شرطين، ويُفضل كلاهما معاً:

  1. أن يكون مرتبطاً ارتباطاً وثيقاً بالمتغير الذي يحتوي على قيم مفقودة ($Y$).
  2. أن يكون مرتبطاً ارتباطاً وثيقاً بمؤشر احتمالية الفقدان ($R$).

عندما يُدرج الباحث هذه المتغيرات في نموذج التعويض المتعدد (Imputation Model) أو ضمن مصفوفة FIML، فإن هذه المتغيرات المساعدة تعمل بمثابة “مستشعرات بديلة” تلتقط جزءاً كبيراً من التباين الكامن الذي كان يُعزى سابقاً إلى القيمة غير المرصودة ذاتها. على سبيل المثال، إذا كان المريض ينسحب من تجربة اكتئاب بسبب تدهور حالته (MNAR)، ولكن الباحث جمع متغيرات مساعدة مثل: تقييم ممرض الرعاية لحالة المريض العامة، وعدد أيام التغيب عن العمل، ومعدل النوم؛ فإن ضبط هذه المتغيرات يجعل احتمالية الفقدان مشروطة بهذه المؤشرات البديلة المرصودة، مما يفرغ علاقة الفقد بالقيمة الكامنة للاكتئاب من محتواها، ويحول الآلية فعلياً إلى MAR.

مع ذلك، يجب التأكيد على أن هناك حدوداً بنيوية لما يمكن للمتغيرات المساعدة إنجازه؛ فالمتغير المساعد مهما بلغت قوته الارتباطية لا يمكنه القضاء بالكامل على تحيز MNAR إذا كان الارتباط الذاتي مباشراً ومطلقاً، ولكنه ينجح دوماً في تقليص حجم التحيز وتضييق مجاله إلى مستويات مقبولة إحصائياً.

5.3 الأثر المشترك على تقليص حجم العينة وقوة الاختبار

تشترك الآليتان في إلحاق خسائر فادحة بالبنية المعلوماتية للدراسة، بغض النظر عن طبيعة المحرك التوليدي للفقد. ففي كلتا الحالتين، يؤدي وجود فراغات في مصفوفة البيانات إلى انخفاض في حجم العينة الفعلي المتاح للتحليل، وهو ما ينعكس فوراً في صورة تراجع حاد في القوة الاختبارية الإحصائية (Statistical Power) للنماذج، مما يجعل الدراسة عاجزة عن اكتشاف التأثيرات الحقيقية ذات الدلالة الإكلينيكية أو العملية (تضخيم الخطأ من النوع الثاني Type II Error).

علاوة على ذلك، يتسبب الفقدان تحت أي من الآليتين في اتساع الأخطاء المعيارية (Standard Errors) لمعلمات الانحدار والتباينات المشتركة، وهو ما يعني تراجع الكفاءة التقاربية (Asymptotic Efficiency) للمقدرات مقارنة بحالة البيانات المكتملة. وإذا كانت طرائق MAR الحديثة كـ FIML والتعويض المتعدد تستعيد الكفاءة القصوى الممكنة تحت شروط البيانات المرصودة، فإنها تظل غير قادرة على استرجاع المعلومات الأصلية التي ضاعت بفقدان القياس. أما في حالة MNAR، فإن العقوبة مضاعفة: خسارة في القوة الإحصائية، وزيادة في تشتت الأخطاء المعيارية، مضافاً إليها انحياز هيكلي دائم يضرب نقطة الارتكاز المركزية للتقدير الإحصائي بأكمله.

6. الدليل الإجرائي والمنهجي لتحديد ومعالجة كل آلية

6.1 خطوات التشخيص الفرضي وتحليل الحساسية (Sensitivity Analysis)

يتطلب التعامل المنهجي الرصين مع البيانات المفقودة اتباع مسار إجرائي متعدد الخطوات، يبتعد عن الحلول السريعة الجاهزة ويركز على الفحص المتأني لبنية الفقدان وفق البروتوكول الآتي:

  1. إنشاء مصفوفة مؤشرات الفقدان ($R$ Matrix): يتم تحويل مصفوفة البيانات إلى مصفوفة ثنائية موازية تعكس وجود أو غياب كل قياس، ثم يتم استكشاف الأنماط المشتركة للفقدان (Pattern Monotonicity) لتحديد ما إذا كان الفقدان رتيباً (Monotone Dropout) كما في التجارب التتبعية الطولية، أو اعتباطياً متقطعاً (Intermittent/Arbitrary Pattern).
  2. فحص الارتباطات التنبؤية بمؤشرات الفقدان: إجراء انحدارات لوجستية متعددة يكون فيها مؤشر الفقدان $R$ هو المتغير التابع، بينما تمثل المتغيرات الديموغرافية والسريرية والأساسية المستقلات. إذا أظهرت هذه النماذج قدرة تنبؤية دالة، فإن ذلك يدحض فرضية MCAR بوضوح، ويؤسس لترجيح فرضية MAR القائمة على تلك المنبئات المرصودة.
  3. تطبيق تحليل نقطة التحول (Tipping Point Analysis): وهو أحد أقوى أشكال تحليلات الحساسية في تقييم متانة النتائج ضد خروقات فرضية MAR. يقوم هذا الإجراء على افتراض أن البيانات المفقودة في مجموعة علاجية معينة تتبع آلية MNAR بانحراف مقداره $\Delta$ (دلتا) عن التوزيع المتوقع تحت MAR. يتم زيادة هذه القيمة المضافة ($\Delta$) بصورة تدريجية ومنهجية لاختبار النقطة الرقمية الدقيقة التي يتغير عندها القرار الإحصائي (تتلاشى عندها الدلالة الإحصائية للتدخل العلاجي مثلاً). بعد تحديد “نقطة التحول”، يترك للمتخصصين الإكلينيكيين والموضوعيين تقييم ما إذا كانت تلك القيمة $\Delta$ معقولة وواقعية سريرياً، أم أنها تمثل سيناريو متطرفاً مستحيلاً، مما يحدد درجة متانة النتائج.
  4. نمذجة سيناريوهات الحدود القصوى (Manski Bounds): ويتم في هذا الإجراء تطبيق سيناريوهات “الأسوأ والأفضل”؛ بافتراض أن جميع الحالات المفقودة في المجموعة الضابطة حققت أفضل نتيجة ممكنة، بينما حققت جميع الحالات المفقودة في المجموعة التجريبية أسوأ نتيجة، لحساب النطاق الأقصى الذي يمكن أن يتحرك فيه التأثير الحقيقي.

6.2 بروتوكول التعامل عند ترجيح فرضية MAR

عندما تشير الفحوص الاستكشافية والمعرفة الموضوعية إلى رجحان فرضية MAR، يلتزم الباحث باتباع بروتوكول تحليلي معياري صارم يرتكز على استخدام التعويض المتعدد (MICE) أو أقصى إمكانية للمعلومات الكاملة (FIML):

  • في سياق التعويض المتعدد بالسلاسل المترابطة (MICE):
    • يجب أن يتضمن “نموذج التعويض” (Imputation Model) كافة المتغيرات التي ستدخل في “نموذج التحليل الجوهري” (Substantive Model)، بما في ذلك المتغير التابع ومتغيرات التفاعل (Interaction Terms) والتحويلات غير الخطية، مضافاً إليها كافة المتغيرات المساعدة المتاحة. إن حذف المتغير التابع من نموذج التعويض يُعد خطأً منهجياً فادحاً يكسر الارتباط الطبيعي بين المتغيرات وينتج انحيازاً تقهقرياً نحو الصفر.
    • تحديد نوع نموذج التوزيع المناسب لكل متغير مفقود (الانحدار الخطي للمتغيرات المستمرة، والانحدار اللوجستي الثنائي أو متعدد الحدود للمتغيرات الفئوية، ونموذج المطابقة التنبؤية للمتوسط PMM للحفاظ على خصائص التوزيع الواقعية والتخلص من القيم غير المنطقية).
    • توليد عدد كافٍ من مصفوفات البيانات المكتملة ($m$). تنصح الأدبيات المعاصرة (مثل غراهام 2009 وإندرز 2010) بأن يكون عدد المصفوفات مقاسماً لنسبة الفقدان؛ فإذا كانت نسبة الفقدان 30%، يُفضل توليد ما لا يقل عن 30 إلى 50 مصفوفة لضمان كفاءة التقدير واستقرار الأخطاء المعيارية.
    • فحص تقارب سلاسل ماركوف مونت كارلو (MCMC Convergence) عبر تتبع مخططات السلاسل الزمنية (Trace Plots) للتأكد من امتزاج السلاسل وغياب الارتباط الذاتي المفرط، قبل دمج النتائج وفق قواعد روبن.
  • في سياق أقصى إمكانية للمعلومات الكاملة (FIML):
    • يُستخدم FIML مباشرة في حزم نمذجة المعادلات الهيكلية (SEM) والمسار؛ حيث يجب تحديد المتغيرات المساعدة بوصفها “متغيرات مساعدة مشروطة” (Saturated Correlates) داخل بنية النموذج دون أن تتدخل في العلاقات الهيكلية المباشرة، لضمان استغلال كامل طاقتها المعلوماتية في توجيه تقديرات دالة الإمكان.

6.3 بروتوكول التعامل عند الاشتباه في آلية MNAR

في الحالات التي تفرض فيها طبيعة الظاهرة الاشتباه في وجود فقدان غير عشوائي (MNAR)، يجب أن ينتقل المحلل إلى استراتيجيات النمذجة المتقدمة المخصصة، مع الالتزام التام بالشفافية حول الافتراضات التأسيسية:

  • تطبيق نماذج خليط الأنماط مع تعديل دلتا (Pattern-Mixture Models with $\Delta$-Adjustment):
    يُعد هذا النهج من أكثر طرائق MNAR أماناً وشفافية؛ حيث يبدأ المحلل بإجراء تعويض متعدد قياسي تحت فرضية MAR، ثم يقوم في مرحلة تالية بتعديل القيم المعوضة بإضافة أو طرح معامل إزاحة محدد ($\Delta$) يمثل مقدار التحيز المفترض في القيم غير المرصودة بسبب آلية الإخفاء الذاتي. يتم تكرار هذا التحليل عبر مستويات متعددة من $\Delta$ لاختبار متانة التقديرات.
  • توظيف نماذج الاختيار وهيكمان (Heckman Selection Models):
    عند الرغبة في نمذجة آلية الفقدان صراحة، يُبنى نموذج ثنائي المعادلة: الأولى انحدار بروبيت لاحتمالية الرصد ($R$) كدالة في المتغيرات المستقلة وأداة تعريفية خارجية (Instrumental Variable)، والثانية معادلة الانحدار الأصلية لـ $Y$. يُشترط لنجاح هذا النموذج توافر “قيد استبعاد” (Exclusion Restriction)؛ أي متغير تنبؤي قوي يؤثر على احتمالية الاستجابة ($R$) ولكنه لا يؤثر إطلاقاً على قيمة المتغير التابع المستهدف ($Y$). إن غياب هذا المتغير الأداتي يجعل النموذج يعتمد حصرياً على لاخطية التوزيع الطبيعي ثنائي التغير، وهو ما ينتج تقلبات شديدة وتقديرات واهية.
  • نماذج المعلمات المشتركة (Shared Parameter Models):
    في الدراسات الطولية التتبعية، تُستخدم هذه النماذج لربط مسار التغير الفردي عبر الزمن (النموذج الخطي الكامن) باحتمالية التسرب، وذلك عبر افتراض وجود متغير كامن عشوائي مشترك ($b_i$) يقود الظاهرتين معاً، مما يتيح ضبط العلاقة الكامنة بين مسار التدهور الصحي والتسرب المبكر من التجربة.
  • التوثيق الإبستيمولوجي الصارم:
    يجب أن يتضمن التقرير النهائي للبحث اعترافاً صريحاً بأن النماذج المطبقة تحت MNAR تستند إلى افتراضات غير قابلة للاختبار التجريبي، مع عرض مقارن لنتائج تحليل MAR الكلاسيكي جنباً إلى جنب مع نماذج الحساسية لـ MNAR، لتمكين مجتمع القراء والمراجعين من استيعاب النطاق الواقعي للتأثير.

7. أسئلة شائعة حول MAR و MNAR

7.1 هل يمكن إثبات أن البيانات تتبع آلية MAR بدلاً من MNAR بشكل قاطع؟

الإجابة القاطعة إحصائياً هي: لا، يستحيل ذلك مطلقاً. لا يوجد أي اختبار دلالي في تاريخ النظرية الإحصائية يستطيع فحص مصفوفة بيانات معينة والقطع بأنها تتبع آلية MAR وتنفي آلية MNAR بصورة حاسمة. السبب الجوهري وراء هذه الاستحالة يرجع إلى “معضلة البيانات المفقودة ذاتها”؛ فلكي تختبر ما إذا كان الفقدان مستقلاً عن القيم المفقودة باشتراط القيم المرصودة، يجب أن تكون تلك القيم المفقودة في متناول يدك لتقارن بينها وبين القيم المرصودة، وهو تناقض صريح مع حقيقة كونها غير مرصودة.

إن ما تستطيع الاختبارات الإحصائية إنجازه يقتصر حصرياً على فحص دحض فرضية الفقدان العشوائي التام (MCAR) لصالح MAR أو MNAR؛ فإذا كان مؤشر الفقدان يرتبط بالمتغيرات المرصودة، يسقط MCAR. أما التمييز بين MAR و MNAR فيظل دوماً خياراً فرضياً مدفوعاً بالمعرفة التخصصية العميقة، والتصميم الإجرائي لأداة القياس، واستبعاد المسارات السببية المحتملة للإخفاء الذاتي عبر المتغيرات المساعدة.

7.2 ماذا يحدث إذا عولجت بيانات MNAR بافتراض أنها MAR؟

إذا كانت الآلية التوليدية الحقيقية للبيانات غير عشوائية (MNAR) وعوملت بإجراءات MAR القياسية (مثل MICE أو FIML التقليدية)، فإن النتيجة الحتمية هي توليد تقديرات إحصائية متحيزة هيكلياً لمعلمات المجتمع. يتسع هذا التحيز ليشمل حساب المتوسطات الحسابية، ونسب الانتشار، ومصفوفات التباين والتباين المشترك، ومعاملات انحدار بيتا.

يتجاوز الضرر مجرد الخطأ في قيمة النقطة التقديرية (Point Estimate)؛ إذ يمتد إلى تشويه الأخطاء المعيارية، مما يقود إلى تضخيم فادح للخطأ من النوع الأول (Type I Error) برؤية تأثيرات وعلاقات غير موجودة في الأصل، أو تضخيم الخطأ من النوع الثاني (Type II Error) بإخفاء تأثيرات حقيقية قائمة. علاوة على ذلك، تفشل فترات الثقة تماماً في أداء وظيفتها الاحتمالية، حيث تنخفض نسبة التغطية الفعلية من مستواها الاسمي (95%) إلى معدلات متدنية قد تصل إلى 50% أو أقل، مما يمنح الباحث دقة زائفة وثقة مضللة في نتائج مغايرة للواقع الموضوعي تماماً.

7.3 كيف تساهم المتغيرات المساعدة في تقريب آلية MNAR من MAR؟

تعمل المتغيرات المساعدة (Auxiliary Variables) كـ “جسور إحصائية تعويضية” تتيح امتصاص ونقل التباين الخفي من المجال غير المرصود إلى المجال المرصود. بموجب مبرهنات كولينز وشيفر وكام (2001)، فإن العلاقة السببية التي تجعل الفقدان غير عشوائي ($Y_{\text{mis}} \rightarrow R$) نادراً ما تكون علاقة صماء معزولة، بل تترك بصمات وارتباطات قوية في خصائص وسلوكيات أخرى للمفحوص.

عندما ينجح الباحث في قياس متغيرات مساعدة ترتبط بدرجة عالية بكل من $Y_{\text{mis}}$ و $R$، فإن إدخال هذه المتغيرات في التحليل يعمل على حجب وتفكيك المسار المباشر بين القيمة المحجوبة واحتمالية الغياب بالمعنى الشرطي. بعبارة رياضية، فإن التباين الكامن في $Y_{\text{mis}}$ الذي كان يفسر $R$ يتم تمثيله بالكامل تقريباً عبر المتغيرات المساعدة $A$؛ مما يجعل التوزيع الشرطي $P(R mid Y_{\text{obs}}, A, Y_{\text{mis}})$ مستقلاً عملياً عن $Y_{\text{mis}}$. ورغم أن هذا التحويل قد لا يبلغ الكمال المطلق، إلا أنه يخفض مقدار التحيز الإحصائي إلى مستويات مهملة لا تؤثر على صحة الاستنتاجات العلمية.

8. خاتمة وتوصيات منهجية للممارسين والباحثين

8.1 خلاصة المقارنة والموازنة بين التعقيد والواقعية

إن المقارنة المعمقة بين البيانات المفقودة عشوائياً (MAR) والبيانات المفقودة غير العشوائية (MNAR) تضع الباحث أمام موازنة دقيقة بين الأناقة الحسابية والواقعية الإبستيمولوجية. تمثل فرضية MAR نقطة ارتكاز براغماتية عبقرية في تاريخ الإحصاء التطبيقي؛ فهي توفر إطاراً رياضياً يسمح بتجاوز التعقيدات المستحيلة لنمذجة آليات الفقدان، وتمنح المحلل القدرة على استخدام أدوات تعويض بالغة الكفاءة والقوة والاستقرار التقاربي مثل FIML و MICE.

في المقابل، تمثل آلية MNAR التجسيد الأمين للطبيعة المعقدة للعديد من الظواهر السلوكية والطبية والاجتماعية؛ فالإنسان ليس مفردة عشوائية صامتة، بل هو كائن مدرك تؤثر دوافعه الذاتية ومشاعره وأعراضه المرضية مباشرة في قراره بتقديم المعلومة أو حجبها. ومع ذلك، فإن التعاطي مع MNAR يفرض ثمناً باهظاً يتمثل في التعقيد الحسابي الشديد والهشاشة المنهجية للافتراضات غير القابلة للاختبار. لذلك، يجب على الباحث الرصين ألا يتعامل مع MAR بوصفها حقيقة مطلقة مفروغاً منها، وألا ينزلق في الوقت ذاته إلى تعقيدات نماذج MNAR دون مبرر سياقي قوي وتحليل حساسية منضبط.

8.2 توصيات إجرائية لتصميم الدراسات وتقليل أثر الفقدان

بناءً على التأسيس النظري والمنهجي المتقدم في هذا الدليل، نخلص إلى جملة من التوصيات الإجرائية الحتمية للباحثين والممارسين في حقول العلوم المختلفة:

  • الوقاية المنهجية هي خط الدفاع الأول: إن أفضل علاج لمشكلة البيانات المفقودة هو عدم فقدانها في المقام الأول. يجب أن يركز الباحثون جل مواردهم في مرحلة تصميم الدراسة على تحسين أدوات القياس، وتقليص عبء الاستبيانات، وبناء آليات متابعة حثيثة وتواصل دوري مع المشاركين، وتقديم حوافز ملائمة للحد من معدلات التسرب والغياب.
  • التخطيط المسبق لحصد المتغيرات المساعدة: يجب ألا يقتصر بروتوكول جمع البيانات على المتغيرات المستهدفة بالفرضيات الأساسية فحسب، بل يجب أن يمتد عمداً لجمع متغيرات ديموغرافية وسلوكية ونفسية مساعدة غنية، ذات قدرة تنبؤية عالية باحتمالات الغياب والانسحاب، لتمكين تطبيق الاستراتيجية الشاملة لتحويل شبه-MNAR إلى MAR قابلة للإدارة.
  • التخلي الكامل والنهائي عن الطرائق التقليدية: يجب الحظر المنهجي لاستخدام طرائق الحذف الكلي للحالات (Listwise Deletion) أو الحذف الزوجي (Pairwise Deletion) أو التعويض بالمتوسط الحسابي في كافة البحوث الأكاديمية الجادة؛ حيث ثبت بما لا يدع مجالاً للشك خطورتها في تدمير البنية التوزيعية وتضخيم التحيز، واستبدالها إلزامياً بـ FIML أو MICE.
  • اعتماد تحليل الحساسية كمعيار إلزامي للنشر: نوصي بأن تتضمن أي دراسة تشتمل على نسب فقدان تتجاوز 5% إلى 10% فصلاً مخصصاً لتحليلات الحساسية، وتحديداً “تحليل نقطة التحول” (Tipping Point Analysis)، لاختبار متانة الفرضيات والاستنتاجات ضد احتمالات الفقدان غير العشوائي، وعرض تلك النتائج بشفافية تامة تتيح تقييم مدى هشاشة أو صلابة النتائج المعلنة.
  • الشفافية الكاملة في إعداد التقارير وفق المعايير الدولية: الالتزام الصارم بتضمين تفاصيل كاملة في تقارير البحوث توضح: معدلات الفقدان في كل متغير، وأنماط الغياب، والافتراض المتبنى لآلية الفقد، ومبرراته السياقية والإحصائية، والبرمجيات والخوارزميات المستخدمة، لضمان القابلية للتكرار والمراجعة المنهجية النقدية.

المراجع

Bowers, L., James, K., Quirk, A., Simpson, A., Stewart, D., & Hodsoll, J. P. (2015). Reducing conflict and containment rates on acute psychiatric wards: The Safewards cluster randomised controlled trial. International Journal of Nursing Studies. https://doi.org/10.1016/j.ijnurstu.2015.05.001

Brattland, H., Koksvik, J. M., Burkeland, O., Gråwe, R. W., Klöckner, C. A., Linaker, O. M., et al. (2018). The effects of routine outcome monitoring (ROM) on therapy outcomes in the course of an implementation process: A randomized clinical trial. Journal of Counseling Psychology. https://doi.org/10.1037/cou0000286

Eckert, M. A., Berninger, V. W., Vaden, K. I., Gebregziabher, M., & Tsu, L. (2016). Gray Matter Features of Reading Disability: A Combined Meta-Analytic and Direct Analysis Approach. eNeuro. https://doi.org/10.1523/eneuro.0103-15.2015

Goldberg, S. B., Imhoff‐Smith, T., Bolt, D. M., Wilson‐Mendenhall, C. D., Dahl, C. J., Davidson, R. J., et al. (2020). Testing the Efficacy of a Multicomponent, Self-Guided, Smartphone-Based Meditation App: Three-Armed Randomized Controlled Trial. JMIR Mental Health. https://doi.org/10.2196/23825

He, Y., Yang, L., Zhu, X., Wu, B., Zhang, S., Qian, C., et al. (2022). Mental Health Chatbot for Young Adults With Depressive Symptoms During the COVID-19 Pandemic: Single-Blind, Three-Arm Randomized Controlled Trial. Journal of Medical Internet Research. https://doi.org/10.2196/40719

Kelly‐Irving, M., Lepage, B., Dedieu, D., Bartley, M., Blane, D., Grosclaude, P., et al. (2013). Adverse childhood experiences and premature all-cause mortality. European Journal of Epidemiology. https://doi.org/10.1007/s10654-013-9832-9

Longo, Y., Coyne, I. J., & Joseph, S. (2017). The scales of general well-being (SGWB). Personality and Individual Differences. https://doi.org/10.1016/j.paid.2017.01.005

Sabour, S., Zhang, W., Xiao, X., Zhang, Y., Zheng, Y., Wen, J., et al. (2023). A chatbot for mental health support: exploring the impact of Emohaa on reducing mental distress in China. Frontiers in Digital Health. https://doi.org/10.3389/fdgth.2023.1133987

Sindi, S., Kåreholt, I., Johansson, L. H., Skoog, J., Sjöberg, L., Wang, H.‐X., et al. (2018). Sleep disturbances and dementia risk: A multicenter study. Alzheimer s & Dementia. https://doi.org/10.1016/j.jalz.2018.05.012

Weiner, L., Berna, F. S., Nourry, N., Séverac, F., Vidailhet, P., & Mengin, A. C. (2020). Efficacy of an online cognitive behavioral therapy program developed for healthcare workers during the COVID-19 pandemic: the REduction of STress (REST) study protocol for a randomized controlled trial. Trials. https://doi.org/10.1186/s13063-020-04772-7

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). البيانات المفقودة عشوائياً (MAR) مقابل البيانات المفقودة غير العشوائية (MNAR). عرب سايكلوجي. https://arabpsychology.com/comparisons/mar-vs-mnar-missing-data-mechanisms/
looti, Mohammed. “البيانات المفقودة عشوائياً (MAR) مقابل البيانات المفقودة غير العشوائية (MNAR).” عرب سايكلوجي, 16 نوفمبر 2026, https://arabpsychology.com/comparisons/mar-vs-mnar-missing-data-mechanisms/.
looti, Mohammed. “البيانات المفقودة عشوائياً (MAR) مقابل البيانات المفقودة غير العشوائية (MNAR).” عرب سايكلوجي. نوفمبر 16, 2026. https://arabpsychology.com/comparisons/mar-vs-mnar-missing-data-mechanisms/.