الإحصاء المتقدم, منهجية البحث العلمي

التعويض المتعدد مقابل الإمكانية العظمى بالمعلومات الكاملة (FIML)


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).

تُعد معضلة البيانات المفقودة واحدة من أعقد التحديات المنهجية والإحصائية التي تواجه الباحثين في ميادين العلوم الاجتماعية، والسلوكية، والتربوية، والطبية الحيوية. فعلى الرغم من العناية الفائقة الموجهة لتصميم التجارب والدراسات المسحية، نادراً ما تنجو مصفوفة البيانات الواقعية من ثغرات الفقدان، سواء كان ذلك راجعاً لانسحاب المشاركين عبر الزمن في الدراسات الطولية، أو رفض بعض المبحوثين الإجابة عن بنود ذات طابع حساس، أو حدوث أخطاء فنية في تسجيل البيانات ورقمنتها. ولفترة طويلة من تاريخ البحث العلمي، تعامل التطبيق الإحصائي مع هذا الانقطاع عبر حلول برغماتية قاصرة؛ مثل الحذف الإجرائي للحالات غير المكتملة أو التعويض الحسابي المبسط بمتوسط السلسلة، وهي إجراءات أدت تاريخياً إلى تجريف عينات الدراسة، وخفض قوتها الإحصائية، بل وإفساد دقة التقديرات المعلمية بدرجات خطيرة من التحيز المنهجي غير المنضبط.

ومع تطور النظرية الإحصائية الحديثة وتنامي القدرات الحاسوبية، برز مدخلان منهجيان متقدمان صُمما خصيصاً لاستعادة الكفاءة الإحصائية وتطهير التقديرات من أثر التحيز في ظل افتراض الفقدان العشوائي: طريقة التعويض المتعدد (Multiple Imputation)، ومنهجية الإمكانية العظمى بالمعلومات الكاملة (Full Information Maximum Likelihood – FIML). وقد اكتسب هذان الأسلوبان مكانة معيارية رفيعة بوصفهما الممارستين الفضليات المعترف بهما في لجان التحكيم والدوريات العلمية الرائدة عالمياً. بيد أن الشيوع المتزامن للمدخلين أثار جدلاً مستمراً وارتباكاً ظاهراً لدى أوساط الباحثين حول الفروق الجوهرية بينهما؛ فهل هما وجهان لعملة رياضية واحدة تقود دوماً إلى نفس الاستدلالات، أم أنهما مساران منهجيان متباينان في المنطلقات الفلسفية، والآليات الحسابية، وسياقات الاستخدام الأمثل؟

يتناول هذا المقال التحليلي الموسع المقارنة المنهجية الشاملة بين أسلوبي التعويض المتعدد وإمكانية المعلومات الكاملة العظمى، من خلال تفكيك الأسس الرياضية والنظرية لكل منهما، واستعراض دورة حياتهما الإجرائية، وبيان نقاط التلاقي والانفصال بين آلياتهما التقديرية. ويهدف هذا الاستقصاء الأكاديمي المتعمق إلى تزويد الباحث والمحلل الإحصائي بدليل مرجعي متكامل يعينه على المفاضلة الواعية بين الأسلوبين، استناداً إلى طبيعة التصميم التجريبي، ومستويات القياس، وهيكل النمذجة الإحصائية المستهدفة، وصولاً إلى تعزيز موثوقية القرارات الاستدلالية وسلامة النتائج العلمية المنشورة.

1. مقدمة: إشكالية البيانات المفقودة والمفاضلة المنهجية

1.1 أزمة البيانات المفقودة في الدراسات التجريبية والمسحية

تشكل الفجوات البيانية في الدراسات الميدانية تهديداً بنيوياً لسلامة الاستدلال الإحصائي، إذ تتجاوز آثارها مجرد النقصان الكمي في حجم العينة الملاحظة لتطال صميم التوزيعات الاحتمالية للمتغيرات قيد الدراسة. عندما يفقد الباحث جزءاً من بياناته، فإن أول خسارة إجرائية تتجسد في انحدار القوة الإحصائية (Statistical Power)، وهي احتمالية رفض الفرضية الصفرية عندما تكون خاطئة بالفعل. إن تآكل القوة الإحصائية يرفع بشكل حاد من احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error)، مما يجعل الفروق الحقيقية أو التأثيرات السببية بين المتغيرات تبدو غير دالة إحصائياً، الأمر الذي يهدر جهود البحث الميداني ويقود إلى استنتاجات خاطئة حول غياب الظاهرة المدروسة.

علاوة على ذلك، يرتبط فقدان البيانات بتضخم تباين التقديرات (Variance of Estimates) واتساع هوامش الخطأ المعياري، مما ينعكس سلباً على دقة فترات الثقة. ولكن الخطر الأعظم يكمن في اللجوء غير المحسوب إلى الاستراتيجيات التقليدية للتعامل مع الفقدان، وفي مقدمتها أسلوب الحذف الكلي أو حذف الحالات ذات النقص (Listwise Deletion / Complete-Case Analysis). بموجب هذا الإجراء، يُستبعد أي مشارك لديه قيمة واحدة مفقودة في أي متغير داخل التحليل. وقد وثقت الدراسات المنهجية عبر عقود أن هذا الحذف يؤدي إلى إهدار هائل للمعلومات القيمة المستقاة من بقية البنود المكتملة، كما يؤدي إلى تحيز نسقي خطير في تقدير المتوسطات والتباينات ومعاملات الارتباط والانحدار إذا لم تكن البيانات المتبقية ممثلة للمجتمع الأصلي تمثيلاً عشوائياً مطلقاً. وبالمثل، فإن أسلوب الحذف الزوجي (Pairwise Deletion) ينتج مصفوفات تغاير غير متسقة رياضياً قد تكون غير موجبة التحديد (Non-positive Definite)، مما يعطل خوارزميات التقدير في النماذج متعددة المتغيرات.

من هنا، اكتسب تصنيف آليات الفقدان الإحصائي أهمية تأسيسية بالغة منذ الأعمال النظرية الرائدة لعالم الإحصاء دونالد روبين. وقد ميزت الأدبيات بين ثلاثة أنماط رئيسية تحكم العلاقة بين احتمالية الفقدان وقيم المتغيرات:

  • الفقدان العشوائي تماماً (Missing Completely at Random – MCAR): وفيه تكون احتمالية فقدان القيمة في متغير معين مستقلة استقلالاً تاماً عن المتغير نفسه وعن جميع المتغيرات الأخرى الملاحظة وغير الملاحظة داخل نموذج الدراسة. في هذا النمط، تمثل البيانات المكتملة عينة عشوائية بسيطة خالصة من العينة الأصلية، مما يجعل التقديرات المستخرجة من الحالات المكتملة غير متحيزة من حيث المتوسطات، وإن ظلت تعاني من انخفاض القوة الإحصائية وتضخم الخطأ المعياري. غير أن هذا الافتراض نادراً ما يتحقق في الواقع الإمبريقي العملي.
  • الفقدان العشوائي (Missing at Random – MAR): يمثل هذا النمط الحالة التي تعتمد فيها احتمالية فقدان القيمة على المتغيرات الملاحظة الأخرى المتوفرة في قاعدة البيانات، ولكنها لا تعتمد على القيمة المفقودة المحجوبة ذاتها بعد ضبط وتعديل المتغيرات المقاسة. على سبيل المثال، قد يكون الذكور أقل ميلاً للإبلاغ عن مشاعر القلق مقارنة بالإناث، ولكن داخل فئة الذكور، لا ترتبط احتمالية الإبلاغ بمستوى القلق الفعلي للشخص. يعد هذا الافتراض حجر الزاوية للمناهج الإحصائية الحديثة، إذ يتيح استعادة التقديرات غير المتحيزة إذا تم توظيف المعلومات الملاحظة توظيفاً منهجياً سليماً.
  • الفقدان غير العشوائي (Missing Not at Random – MNAR): ويتحقق عندما ترتبط احتمالية الفقدان ارتباطاً مباشراً بالقيمة المفقودة نفسها حتى بعد أخذ المتغيرات الملاحظة بعين الاعتبار. ومن أمثلة ذلك امتناع الأفراد ذوي الدخل المرتفع للغاية أو المنخفض للغاية عن الإفصاح عن دخلهم، أو انسحاب الطلاب ذوي التحصيل الدراسي المتدني من الاختبارات اللاحقة بسبب ضعف أدائهم. يمثل هذا النمط معضلة إحصائية كبرى لا يمكن معالجتها بالأساليب القياسية المعتمدة على افتراض MAR، بل تتطلب نمذجة صريحة لآلية الفقدان من خلال نماذج الحساسية والأنماط المختلطة.

1.2 التعريف العام بطريقتي التعويض المتعدد وFIML

في مواجهة هذه المخاطر المنهجية، تطورت منهجيتان رئيسيتان تشكلان اليوم ذروة التقدم الإحصائي في معالجة البيانات المفقودة: أسلوب التعويض المتعدد (Multiple Imputation – MI) ومنهجية الإمكانية العظمى بالمعلومات الكاملة (Full Information Maximum Likelihood – FIML). يقوم التعويض المتعدد على فلسفة تعويضية تصحيحية تنفذ على مراحل متتالية؛ حيث لا يكتفي الباحث بتقدير قيمة مفردة مكان الخلية المفقودة (كما كان متبعاً في أساليب التعويض الأحادي المشوهة للتباين)، بل يولد عدداً من مجموعات البيانات المكتملة المتوازية عبر أخذ عينات عشوائية من التوزيع التنبؤي اللاحق للقيم المفقودة مشروطاً بالبيانات الملاحظة. تُحلل كل مجموعة بيانات مكتملة على حدة باستخدام الأساليب الإحصائية المعيارية ذاتها، ثم تُدمج نتائج المعالم وأخطائها المعيارية وفق قواعد تركيبية دقيقة تدمج التباين الداخلي والتباين بين العينات، معكسة بذلك حالة عدم اليقين المحيطة بالقيمة المفقودة ومحافظة على مصفوفة العلاقات والارتباطات الطبيعية بين المتغيرات.

في المقابل، تتبنى منهجية الإمكانية العظمى بالمعلومات الكاملة (FIML) مدخلاً تقديرياً مباشراً يتجاوز بالكلية فكرة التعويض المادي للقيم أو إنتاج مصفوفات بديلة. لا تقوم خوارزمية FIML بملء أي فراغ داخل قاعدة البيانات، بل تعيد صياغة دالة الإمكانية اللوغاريتمية (Log-Likelihood Function) بحيث تُحسب لكل حالة أو مشارك بناءً على متجهة المتغيرات المتاحة له فعلياً دون حذفه أو تخمين بياناته الغائبة. بعد ذلك، يتم تجميع هذه الإمكانيات الفردية لتقدير معالم النموذج الكلية (مثل المتوسطات، والتباينات، ومصفوفات التغاير، ومعاملات المسار والانحدار) في خطوة تحليلية موحدة ومتكاملة. وبذلك تضمن هذه المنهجية استغلال كافة أجزاء المعلومات المتاحة داخل العينة دون تغيير في طبيعة المصفوفة أو بنية السجلات الرقمية.

وعلى الرغم من وضوح هذا التمايز الإجرائي، يسود ارتباك واسع لدى قطاع عريض من الباحثين ومحللي البيانات؛ إذ يُنظر إليهما أحياناً بوصفهما أسلوبين متنافسين متناحرين، أو يُفترض خطأً أنهما يجب أن يقودا إلى نتائج متطابقة تماماً تحت كل الظروف. ينبع هذا الارتباك من حقيقة أن كلا الأسلوبين يستندان نظرياً إلى افتراض الفقدان العشوائي (MAR)، ويشتركان في كفاءة تقاربية ممتازة مع العينات الكبيرة. إلا أن الافتراقات الجوهرية تظهر بجلاء عند التطبيق الواقعي: فالتعويض المتعدد يفصل تماماً بين مرحلة معالجة الفقدان ومرحلة النمذجة التحليلية اللاحقة مما يمنحه مرونة فائقة، بينما يدمج FIML المعالجة والتحليل داخل نموذج رياضي واحد مما يجعله أكثر كفاءة وملاءمة داخل أطر معينة مثل نماذج المعادلات البنائية ونمذجة المسارات الطولية التي حللها باحثون رائدون مثل Curran وHussong (2003).

2. نظرة متعمقة على التعويض المتعدد (Multiple Imputation)

2.1 الأسس النظرية وقواعد روبين (Rubin’s Rules)

تنطلق الأسس الفلسفية للتعويض المتعدد من المنظور البايزي للاستدلال الإحصائي، حيث يُنظر إلى القيم المفقودة كمتغيرات عشوائية كامنة غير ملحوظة تمتلك توزيعاً احتمالياً مشروطاً بالبيانات الملاحظة فعلياً داخل العينة وبمعالم النموذج التوليدي. إن جوهر التعويض المتعدد لا يهدف إلى التنبؤ بالقيمة “الحقيقية” المحددة التي كان ينبغي تسجيلها بدقة حتمية، بل يهدف إلى محاكاة عملية سحب احتمالي متكرر من التوزيع التنبؤي اللاحق (Posterior Predictive Distribution)، مع مراعاة مصدرين أساسيين لعدم اليقين: عدم اليقين في المعالم التنبؤية ذاتها (والذي يعالج عبر السحب العشوائي من توزيع المعالم)، وعدم اليقين العشوائي المتأصل في خطأ القياس والتشتت الطبيعي للمتغيرات (والذي يعالج بإضافة حد تشويش عشوائي محسوب لكل قيمة معوضة).

تتمثل النقلة النوعية التي قدمها دونالد روبين في صياغة القواعد التجميعية المعروفة باسم “قواعد روبين” (Rubin’s Rules)، والتي تتيح دمج مخرجات التحليلات المكررة عبر مصفوفات البيانات المولدة وعددها $m$. ينقسم التباين الكلي المقدر لأي معلمة إحصائية مجمعة إلى مكونين رئيسيين:

  • التباين داخل مجموعات البيانات (Within-Imputation Variance – $W$): ويمثل متوسط الأخطاء المعيارية المربعة للمعلمة المحسوبة في كل مصفوفة معوضة من المصفوفات الـ $m$، أي:
    $$W = \frac{1}{m} \sum_{i=1}^{m} SE_i^2$$
  • التباين بين مجموعات البيانات (Between-Imputation Variance – $B$): ويمثل التشتت والتباين القائم بين قيم المعالم المقدرة ذاتها عبر المصفوفات المختلفة نتيجة لعدم اليقين المتأصل في تعويض القيم المفقودة، ويُحسب كالتالي:
    $$B = \frac{1}{m-1} \sum_{i=1}^{m} (\hat{Q}_i – \bar{Q})^2$$
    حيث تمثل $\bar{Q}$ المتوسط الحسابي لتقديرات المعلمة عبر المصفوفات.
  • التباين الكلي المدمج (Total Variance – $T$): يُحسب التباين الكلي الذي تستند إليه اختبارات الدلالة وفترات الثقة عبر جمع التباين الداخلي مع التباين البيني، مضافاً إليه معامل تصحيح يراعي محدودية عدد التعويضات:
    $$T = W + B + \frac{B}{m} = W + \left(1 + \frac{1}{m}\right)B$$

في الأدبيات المبكرة، كان السائد أن توليد 3 إلى 5 مجموعات بيانات معوضة يعد كافياً لتحقيق كفاءة إحصائية مقبولة بالنظر إلى تكلفة الحوسبة آنذاك. غير أن الأبحاث المنهجية المعاصرة بينت أن هذه الأعداد المتواضعة قد تكفي لتقدير المعالم النقطية مثل المتوسطات، لكنها غير كافية لتقدير الأخطاء المعيارية وفترات الثقة واختبارات الدلالة بدقة واستقرار، لاسيما عند ارتفاع معدلات الفقدان. وتذهب التوصيات الحديثة إلى ضرورة تحديد عدد التعويضات $m$ ليكون مساوياً على الأقل للنسبة المئوية التقديرية للبيانات المفقودة في العينة (فإذا كانت نسبة الفقدان 30% يُنصح بتوليد 30 إلى 50 مصفوفة)، مما يضمن تجنب تذبذب القيمة الاحتمالية واستقرار النتائج الاستدلالية بصورة تامة.

2.2 مراحل دورة حياة التعويض المتعدد

تسير عملية التعويض المتعدد عبر بروتوكول منهجي يتألف من ثلاث مراحل مفصلية متسلسلة لا يجوز الخلط بينها، وتتمثل في الآتي:

  1. مرحلة التعويض (Imputation Phase): في هذه المرحلة الأولية، يتم توصيف وبناء نموذج التوليد الإحصائي. يقوم البرنامج الإحصائي بتقدير العلاقات الارتباطية والتنبؤية بين كافة المتغيرات المضمنة في المصفوفة، ثم يجري استبدال كل خلية مفقودة بقيمة مسحوبة عشوائياً من توزيعها الاحتمالي التنبؤي، مع تكرار هذه العملية $m$ من المرات بطرق مستقلة أو عبر سلاسل محاكاة مستقرة، مما ينتج عنه إنتاج $m$ من قواعد البيانات الكاملة ظاهرياً والمتباينة في القيم المعوضة داخل نطاق التوزيع الموثوق.
  2. مرحلة التحليل (Analysis Phase): بعد إتمام عملية التعويض، تُعامل كل نسخة من مجموعات البيانات الـ $m$ كملف مستقل مكتمل بذاته تماماً. في هذه الخطوة، يطبق الباحث النموذج الإحصائي الأساسي المخطط له سلفاً للإجابة عن أسئلة البحث—مثل الانحدار الخطي المتعدد، أو النماذج الخطية العامة، أو تحليل المسار، أو غيرها—على كل مصفوفة على حدة وبشكل موازٍ، دون أي دمج للبيانات في هذه المرحلة. ينتج عن هذه الخطوة $m$ من التقديرات النقطية لكل معلمة مصحوبة بأخطائها المعيارية المستقلة.
  3. مرحلة الدمج (Pooling Phase): في هذه المرحلة النهائية، تُجمع التقديرات النقطية والأخطاء المعيارية ومصفوفات التغاير الناتجة عن النماذج التحليلية الـ $m$ وتُدمج في تقرير موحد بالاعتماد على قواعد روبين الرياضية. تُحسب درجات الحرية المعدلة لاختبارات الدلالة وفترات الثقة عبر معادلات خاصة تراعي تباين ما بين العينات، ليحصل الباحث في النهاية على جدول مخرجات إحصائي واحد يماثل في شكله الجداول التقليدية الناتجة عن عينة مكتملة، مع احتساب كامل وصادق لتأثير الفقدان على عدم اليقين الإحصائي.

2.3 المرونة ونماذج التوليد المتقدمة

تكمن إحدى كبرى مزايا التعويض المتعدد في ثرائه التوليدي وقدرته على استيعاب أنواع بالغة التباين من البيانات والمتغيرات. ففي بداياته، اعتمد التعويض المتعدد على نموذج التوزيع الطبيعي متعدد المتغيرات (Multivariate Normal Imputation – MVNI) باستخدام خوارزميات الاستكمال المعزز للبيانات (Data Augmentation) وسلاسل ماركوف مونت كارلو (MCMC). وعلى الرغم من أن هذا النموذج يتمتع بأرضية نظرية رياضية صلبة ويثبت نجاحه المتميز مع المتغيرات المستمرة والمقاييس المتصلة، فإنه قد يواجه تحديات حرجة عندما تتضمن مصفوفة البيانات متغيرات ترتيبية، أو اسمية، أو ثنائية، أو متقطعة تنتهك افتراض الطبيعية التوزيعية.

لتجاوز هذا القيد، صُممت منهجية المعادلات المحددة بسلسلة مقيدة (Fully Conditional Specification – FCS)، والمعروفة على نطاق واسع في التطبيقات البرمجية باسم التعويض المتعدد بالسلاسل المقيدة (Multivariate Imputation by Chained Equations – MICE). تتميز هذه الطريقة المتقدمة بأنها لا تفترض توزيعاً مفترضاً شاملاً متعدد المتغيرات لكامل المصفوفة، بل تحدد نموذج تعويض وحيد ومتخصص لكل متغير مفقود على حدة مشروطاً بجميع المتغيرات الأخرى؛ حيث يُستخدم الانحدار اللوجستي الثنائي للمتغيرات الثنائية، والانحدار اللوجستي المتعدد للمتغيرات الاسمية، وانحدار الاحتمالات التناسبية للمتغيرات الترتيبية، ومطابقة المتوسط التنبؤي (Predictive Mean Matching – PMM) للمتغيرات المستمرة الملتوية أو ذات القيود المقيدة الصارمة. تدور هذه المعادلات في دورات تكرارية محاكية (Gibbs Sampling) حتى تصل السلسلة إلى حالة التقارب والاستقرار التوزيعي.

تتيح هذه المرونة الفريدة للباحث تضمين المتغيرات المساعدة (Auxiliary Variables) بكفاءة مطلقة داخل نموذج التعويض دون أن تكون جزءاً من النموذج التحليلي النهائي؛ وهي متغيرات ترتبط بآلية الفقدان أو بالمتغير المفقود نفسه ولكنها ليست ذات صلة بالفرضية النظرية الأساسية للبحث، مما يعزز فرضية الفقدان العشوائي (MAR) ويقلل التحيز إلى أدنى مستوياته. كما يمكن داخل نموذج التعويض تمثيل التفاعلات غير الخطية والتحويلات الرياضية المعقدة لضمان توافق نموذج التوليد مع النماذج المستقبلية المزمع فحصها في دراسات موسعة كالتي درس فيها Parker وزملاؤه (2013) الكفاءة الذاتية الأكاديمية ومفهوم الذات في التنبؤ بالإنجاز طويل الأمد.

2.4 محددات وتحديات التعويض المتعدد

على الرغم من القوة المنهجية الهائلة للتعويض المتعدد، فإنه لا يخلو من محددات تقنية ومنهجية بالغة التعقيد تستلزم احترازاً كبيراً من الباحث. يتصدر هذه التحديات ما يُعرف في الأدبيات الإحصائية باسم معضلة التوافق أو التجانس (Congruence / Congeniality Issue) التي صاغها منغ (Meng). يُقصد بالتوافق أن يكون نموذج التعويض متطابقاً في بنائه وافتراضاته مع النموذج التحليلي اللاحق أو أكثر عمومية منه؛ فإذا كان النموذج التحليلي يتضمن تفاعلاً بين متغيرين، ولم يُدرج هذا التفاعل صراحة في نموذج التعويض التوليدي، فإن التقديرات المجمعة اللاحقة لمعامل التفاعل ستعاني من انكماش قسري وانحياز حاد نحو الصفر، مما يلغي دلالة التفاعل التجريبي الفعلي ويشوه البنية العلائقية للظاهرة المدروسة.

يضاف إلى ذلك التعقيد الحسابي البالغ والوقت الطويل المستغرق في التعامل مع مجموعات البيانات الكبيرة والمتعددة الطبقات (Multilevel Data) أو قواعد البيانات الضخمة التي تحتوي على آلاف الحالات ومئات المتغيرات؛ حيث يتطلب تشغيل مصفوفات سلاسل MICE آلاف الدورات التكرارية للتحقق من تقارب السلاسل، الأمر الذي يتطلب موارد حوسبية ضخمة وإدارة حذرة لملفات التخزين الموازية. وأخيراً، تظل مسألة التشخيص والفحص التوزيعي للبيانات المعوضة مهمة شاقة لغير المتخصصين؛ إذ يتطلب التعويض المتعدد فحصاً بصرياً وإحصائياً دقيقاً لمخططات الكثافة والتشتت للتأكد من عدم توليد قيم مستحيلة منطقياً (مثل قيم سالبة للأعمار أو درجات تقع خارج حدود المقاييس النفسية)، فضلاً عن صعوبة دمج بعض الإحصاءات غير الخطية مثل مؤشرات المطابقة الكلية في بعض نماذج القياس البنائية دون الاستعانة بخوارزميات برمجية تكميلية دقيقة.

3. نظرة متعمقة على الإمكانية العظمى بالمعلومات الكاملة (FIML)

3.1 الأساس الرياضي ودالة الإمكانية اللوغاريتمية

تمثل منهجية الإمكانية العظمى بالمعلومات الكاملة (FIML) تحولاً نوعياً في معالجة البيانات غير المكتملة عبر توظيف خصائص نظرية الإمكانية العظمى الكلاسيكية بشكل مباشر دون اللجوء إلى افتراض وجود بيانات “بديلة” يجب توليدها مسبقاً. يقوم الأساس الرياضي لـ FIML على تفكيك دالة الإمكانية الإجمالية للمجتمع إلى مجموع لوغاريتمات الإمكانية الفردية المحسوبة لكل حالة أو مستجيب في العينة ($i = 1, dots, N$)، استناداً حصرياً إلى المتجهات المتاحة من المتغيرات التي يمتلك المستجيب قياسات فعلية لها، وبما يتوافق مع مصفوفة التغاير ومتجهة المتوسطات المفترضة في النموذج الإحصائي.

إذا افترضنا أن متجهة المتغيرات الملاحظة للمشارك $i$ يرمز لها بالرمز $y_i$ ذات البعد $p_i$ (حيث يمثل $p_i$ عدد المتغيرات التي أجاب عنها هذا المشارك تحديداً، والتي قد تختلف من فرد إلى آخر)، وأن متجهة المتوسطات المتوقعة المقابلة هي $\mu_i$ ومصفوفة التغاير المتوقعة المقابلة هي $\Sigma_i$ (المقتطعتين من المتجهة الكلية والمصفوفة الكلية للنموذج لتطابقا بنية بيانات ذلك الفرد فقط)، فإن دالة الإمكانية اللوغاريتمية الفردية تأخذ الصيغة الرياضية التالية:

$$\log L_i = -\frac{p_i}{2}\log(2\pi) – \frac{1}{2}log|\Sigma_i| – \frac{1}{2}(y_i – \mu_i)^T \Sigma_i^{-1} (y_i – \mu_i)$$

ومن ثم، فإن دالة الإمكانية اللوغاريتمية الكلية للعينة بأكملها ليست سوى المجموع الجبري التراكمي لهذه الدوال الفردية عبر كافة المشاركين المكتملين وغير المكتملين:

$$\log L = \sum_{i=1}^{N} \log L_i$$

تُعظم هذه الدالة المجمعة باستخدام خوارزميات الاستمثال العددي التكراري (مثل خوارزمية شبه نيوتن Quasi-Newton أو خوارزمية تعظيم التوقع EM Algorithm)، للبحث عن حزمة المعالم البنائية التي تجعل البيانات الملاحظة فعلياً في أقصى درجات احتماليتها. يتضح من هذا البناء الرياضي الرصين أن FIML لا يخمن إطلاقاً القيمة المفقودة ولا يستبدلها برقم افتراضي، بل يتعامل مع مصفوفة البيانات كما هي؛ فالمشارك الذي تنقصه قياسات متغير معين يساهم في تقدير معالم النموذج بالقدر الذي تتيحه قياساته المتبقية فقط، مع احتساب التغايرات المشتركة مع المتغيرات الأخرى، مما يمنع تجريف العينات ويحفظ التوزيع الأصيل للمعلومة الإحصائية دون أدنى تدخل تعويضي وسيط.

3.2 تكامل FIML مع نمذجة المعادلات البنائية (SEM)

حققت منهجية FIML انتشارها الأوسع وتأثيرها المنهجي الأعمق بفضل التناغم البنيوي الفائق بين منطقها الرياضي وهياكل نمذجة المعادلات البنائية (Structural Equation Modeling – SEM). تتيح برمجيات النمذجة الحديثة مثل Mplus، وحزمة lavaan في بيئة R، وبرنامج Amos، تطبيق FIML كخيار افتراضي متكامل وبنقرة واحدة تقريباً، حيث تتولى الخوارزمية تعديل بنية مصفوفات التغاير المقدرة لامتصاص الفقدان فورياً خلال عملية النمذجة الرياضية ذاتها.

تتجلى قوة هذا التكامل في قدرة FIML المنهجية على تضمين المتغيرات المساعدة (Auxiliary Variables) لتحقيق افتراض الفقدان العشوائي (MAR) دون تشويه الفرضيات النظرية الأصيلة للنموذج. وقد صاغ الباحث جراهام (Graham) استراتيجية النموذج المشبع للمتغيرات المساعدة (Saturated Correlates Strategy)، والتي تسمح بربط المتغيرات المساعدة بمسارات ارتباط وتغاير حرة مع كافة المتغيرات المستقلة والتابعة والأخطاء العشوائية داخل نموذج SEM دون تغيير قيم معاملات المسار الهيكلية أو التأثير على درجات حرية النموذج ومؤشرات جودته. هذا الأسلوب يتيح الاستفادة الكاملة من قوة التنبؤ بالبيانات المفقودة وحماية التقديرات من التحيز، وهو النهج الذي اعتمده بنجاح Marsh وزملاؤه (2006) في النمذجة متعددة الأبعاد لمفهوم الذات وبنية الشخصية.

بالإضافة إلى ذلك، يتميز مدخل FIML بالكفاءة الاستثنائية والراحة المنهجية في استخراج مؤشرات جودة المطابقة (Fit Indices) للنموذج المقترح؛ مثل مؤشر المطابقة المقارن (CFI)، ومؤشر تاكر-لويس (TLI)، وجذر متوسط مربع خطأ الاقتراب (RMSEA). في FIML، تُحسب هذه المؤشرات مباشرة عبر مقارنة لوغاريتم إمكانية النموذج المستهدف بنموذج الأساس المشبع (Saturated Model) ونموذج الاستقلال (Independence Model) المحسوبين كلاهما باستخدام منهجية FIML ذاتها على العينة نفسها، مما يمنح الباحث تقييماً فورياً، دقيقاً، ومباشراً لجودة تمثيل النموذج للواقع، متفادياً المعضلات الحسابية المرتبطة بتجميع ودمج مؤشرات المطابقة المتناثرة عبر ملفات التعويض المتعدد.

3.3 محددات وافتراضات مدخل FIML

على الرغم من الأناقة الرياضية والسهولة التطبيقية لـ FIML في نماذج المعادلات البنائية، فإن هذه المنهجية تواجه مجموعة من القيود المنهجية الجوهرية. يرتبط المحدد الأول بحساسية FIML الشديدة لانتهاك افتراض التوزيع الطبيعي متعدد المتغيرات (Multivariate Normality)؛ إذ إن دالة الإمكانية الكلاسيكية تفترض سلفاً أن التوزيع المشترك للبيانات يتبع التوزيع الطبيعي المتعدد. وعندما تكون البيانات الحقيقية ملتوية بشدة أو متفرطحة، فإن تقديرات الأخطاء المعيارية ومؤشرات جودة المطابقة المستخرجة عبر FIML القياسي تصبح مضللة ومتحيزة. ورغم تطوير مقدرات تصحيحية قوية مثل مقدر الإمكانية العظمى المتين (Robust Maximum Likelihood – MLR) ونماذج سابورا وبنتلر، تظل هناك حدود رياضية لقدرة هذه التحسينات على معالجة الانحرافات التوزيعية المتطرفة.

يتعلق التحدي الثاني بصعوبة النمذجة عند التعامل مع متغيرات الاستجابة الفئوية الصريحة والترتيبية متعددة الفئات، خاصة في النماذج المعقدة التي تحتوي على متغيرات كامنة عديدة؛ حيث يتطلب FIML في سياق البيانات الفئوية اللجوء إلى التكامل العددي (Numerical Integration) لحساب الإمكانية الحدية، وهو إجراء يتصاعد تعقيده الحسابي تصاعداً أسياً مع زيادة عدد الأبعاد الكامنة فيما يعرف بـ “لعنة الأبعاد” (Curse of Dimensionality)، مما يجعل تشغيل النماذج بطيئاً للغاية أو مستحيلاً حسابياً على الحواسيب التقليدية.

أما المحدد الأبرز من وجهة النظر التطبيقية العامة، فيتمثل في الارتباط العضوي الصارم بين معالجة الفقدان والنموذج الإحصائي المستهدف نفسه (Model-Dependent)؛ حيث لا ينتج عن تطبيق FIML أي مصفوفة بيانات مكتملة يمكن الاحتفاظ بها واستخدامها في تحليلات استكشافية لاحقة. إذا أراد الباحث إجراء فحص إحصائي تكميلي أو اختبار فرضية مغايرة خارج إطار نموذج SEM المحدد، يتعين عليه إعادة بناء دالة الإمكانية للنموذج الجديد بالكامل، وهو ما يحد من المرونة في الدراسات التي تعتمد على تحليلات متعددة المراحل ومتنوعة الأدوات الإحصائية.

4. الفروق الجوهرية بين التعويض المتعدد وFIML

4.1 مقارنة فلسفة التقدير والإجراء التقني

تتمحور الفروق الفلسفية والإجرائية بين التعويض المتعدد وFIML حول موقع خطوة معالجة الفقدان في دورة التحليل الإحصائي، وكيفية اشتقاق وحساب عدم اليقين المرتبط بالبيانات غير الملاحظة. في التعويض المتعدد (MI)، تتبع المنهجية فلسفة الفصل الإجرائي التام (Two-Stage Philosophy)؛ حيث تنفصل مرحلة استكمال الفجوات المعلوماتية تماماً عن مرحلة النمذجة واختبار الفرضيات. يتيح هذا الانفصال إنتاج نسخ فعلية من قواعد البيانات الكاملة التي يمكن للباحث فحصها عيانياً، ومشاركتها في المستودعات المفتوحة للبيانات العلمية (Open Data Repositories)، وإخضاعها لأي عدد من النماذج البارامترية واللابارامترية المتنوعة دون التقيد بالبنية الرياضية لنموذج أولي مغلق.

في المقابل، يمثل FIML مدخلاً مندمجاً أحادي الخطوة (One-Stage Integrated Philosophy)؛ حيث تنصهر عملية معالجة الفقدان داخل خوارزمية التقدير المعلمي للنموذج ذاته دون وساطة مصفوفية. لا ينتج عن FIML أي ملفات بيانات جديدة، بل تُستخلص معالم النموذج ومصفوفة تغايراته فورياً من الدالة اللوغاريتمية للمعلومات الملاحظة. ينعكس هذا التباين الفلسفي انعكاساً عميقاً على أسلوب تقدير عدم التأكد الإحصائي وحساب الأخطاء المعيارية؛ فبينما يعتمد التعويض المتعدد على المحاكاة التجريبية وحساب التباين الحقيقي المتولد بين التكرارات المعوضة ($B$) مضافاً إلى متوسط التباين داخلها ($W$) وفق قواعد روبين، يعتمد FIML على الخصائص التقاربية لمصفوفة المعلومات الملاحظة (Observed Information Matrix) ومشتقاتها الجزئية الثانية (مصفوفة هيسيان Hessian Matrix) عند نقطة التقارب القصوى لدالة الإمكانية.

هذا الاختلاف البنيوي يجعل FIML متفوقاً من حيث الحتمية التقديرية الحسابية؛ فتشغيل نموذج FIML على نفس مصفوفة البيانات ينتج دائماً المعالم ذاتها بدقة رقمية مطلقة، في حين يحمل التعويض المتعدد قدراً من التباين العشوائي المونت-كارلوي بين جولات التشغيل المختلفة إذا لم يُحدد الباحث بذرة البداية العشوائية (Random Seed) بدقة أو إذا كان عدد مجموعات البيانات $m$ صغيراً نسبياً.

4.2 التعامل مع أنواع المتغيرات المختلفة والتعقيدات غير الخطية

يبرز التفاضل المنهجي والتقني جلياً عند الانتقال من مستويات القياس المستمرة المتجانسة إلى المتغيرات الفئوية والظواهر الإحصائية غير الخطية. يتفوق أسلوب التعويض المتعدد (MI) تفوقاً ساحقاً في التعامل مع المتغيرات المستقلة والتابعة الفئوية متعددة الفئات والاسمية والترتيبية المشوهة؛ إذ تتيح خوارزميات السلاسل المقيدة (MICE) نمذجة كل متغير وفق دالته الرابطة الملائمة (مثل الانحدار اللوجستي الثنائي والترتيبي والمتعدد والحدود المترابطة) مما يضمن عدم انتهاك المقاييس الأصلية وعدم خروج القيم المعوضة عن النطاقات المقبولة للتصنيف.

أما في FIML، فإن التعامل مع المتغيرات الفئوية يمثل تحدياً رياضياً جسيماً؛ فبينما يسهل تضمين المتغيرات الفئوية كمتغيرات مستقلة شارحة (Exogenous Variables) عبر المتغيرات الصورية (Dummy Variables)، فإن وجود قيم مفقودة في متغير فئوي يعمل كمتغير وسيط أو متغير تابع يفرض قيوداً نمذجية حادة، ويستلزم اللجوء إلى مقدرات ترجيحية معدلة أو تكامل عددي معقد يعجز أحياناً عن الوصول إلى التقارب في النماذج متعددة المتغيرات، كما بينت الدراسات الطولية المعقدة في علم النفس التربوي التي واجهت مصفوفات متباينة الأبعاد كأبحاث Arens وزملائها (2016).

وتتأكد هذه المفارقة المنهجية عند دراسة التأثيرات التفاعلية الكامنة وغير الخطية (Latent Interaction and Quadratic Effects)؛ ففي التعويض المتعدد، يمكن للباحث ببساطة حساب حاصل ضرب المتغيرات أو التحويلات غير الخطية صراحة قبل التعويض باستخدام أساليب مثل (Just Another Variable) أو التعويض التفاعلي المتخصص، مما يبسط نمذجة التفاعل في المرحلة التحليلية اللاحقة كما فحص Putwain وزملاؤه (2018) التفاعلات الكامنة الطولية بين إدراك السيطرة والقيمة والانفعالات الأكاديمية. في حين يتطلب تقدير التفاعلات الكامنة تحت مظلة FIML خوارزميات غير خطية بالغة التعقيد مثل النمذجة الهيكلية للبيانات التوزيعية الكامنة (LMS) أو خوارزميات الاستمثال العددي ذات التكامل التكراري، وهي خوارزميات شديدة الحساسية لحجم العينة والتقارب التكراري.

4.3 دعم البرمجيات الإحصائية وسهولة الاستخدام

تختلف بيئة الدعم البرمجي ومنحنى التعلم بشكل ملحوظ بين الأسلوبين، مما يؤثر تأثيراً مباشراً على قرارات الباحثين الميدانيين. يتمتع التعويض المتعدد بانتشار أفقي هائل عبر كافة المنصات الإحصائية الكبرى دون استثناء؛ فهو مدمج بالكامل كأداة قياسية وسهلة الاستخدام في حزم مثل SPSS، وStata عبر أمر mi الشامل، وبيئة R من خلال الحزم المتخصصة والشهيرة مثل mice وAmelia وmissForest، وحزم SAS عبر إجراء PROC MI وPROC MIANALYZE. يتيح هذا الدعم الواسع لأي باحث، حتى وإن كان مبتدئاً في الإحصاء، توليد المصفوفات المعوضة وإجراء التحليلات الإحصائية المعتادة كاختبارات “ت” وتحليل التباين والانحدار بسهولة فائقة.

على الجانب الآخر، يتركز الاستخدام الأكفأ والأمثل لمنهجية FIML رأسياً داخل برمجيات نمذجة المعادلات البنائية المتقدمة مثل Mplus، وLISREL، وحزمة lavaan المفتوحة المصدر في لغة R، وبرنامج Amos التابع لشركة IBM. ورغم أن استدعاء FIML في هذه البرمجيات غاية في البساطة (على سبيل المثال، عبر كتابة وسيط بسيط مثل missing = "fiml" داخل دالة النمذجة في R)، فإن تطبيق FIML يفرض على الباحث إعادة التفكير في كامل هيكل تحليله الإحصائي ووضعه في قالب مصفوفي أو مساري؛ حتى الفحوصات الإحصائية البسيطة مثل الانحدار المتعدد يجب صياغتها كنموذج مسار لكي يتمكن البرنامج من قراءة المتغيرات المستقلة ذات القيم المفقودة وحساب لوغاريتم إمكاناتها بصورة صحيحة، وهو ما يمثل منحنى تعلم إحصائي أعلى نسبياً للباحثين غير المتمرسين في أدبيات SEM.

يوضح الجدول المقارن التالي تفكيكاً شاملاً لأبرز أبعاد التمايز المنهجي والتقني بين التعويض المتعدد وإمكانية المعلومات الكاملة العظمى:

وجه المقارنة التعويض المتعدد (Multiple Imputation – MI) الإمكانية العظمى بالمعلومات الكاملة (FIML)
المنطلق الفلسفي العام أسلوب مرحلي توليدي يستكمل الفجوات البيانية باحتمالات لاحقة قبل التحليل. أسلوب تقدير مباشر يدمج معالجة النقص لحظياً داخل دالة الإمكانية دون تعويض.
شكل المخرجات البيانية ينتج $m$ من مصفوفات البيانات المكتملة الفردية القابلة للحفظ والمشاركة. لا ينتج أي مصفوفة بيانات مكتملة، بل يخرج فقط المعالم المقدرة وأخطاءها.
تقدير عدم التأكد والتباين يجمع التباين داخل المصفوفات والتباين التشتتي بين المصفوفات وفق قواعد روبين. يشتق التباين والأخطاء المعيارية مباشرة من مقلوب مصفوفة المعلومات الملاحظة (Hessian).
الاستقرار التكراري (Determinism) يحمل قدراً من التباين العشوائي المحاكاتي (يستلزم ضبط بذرة التوليد ومضاعفة $m$). حتمي وثابت تماماً؛ يعطي نفس النتائج الرياضية بدقة عند إعادة التشغيل.
التعامل مع المتغيرات الفئوية مرونة فائقة عبر نماذج السلاسل المقيدة (MICE) ومطابقة المتوسط التنبؤي (PMM). صعوبة بالغة عند وجود فقدان في متغيرات فئوية تابعة، ويتطلب تكاملاً عددياً مكلفاً.
التفاعلات والتأثيرات غير الخطية يسهل احتسابها وتضمينها مسبقاً في نموذج التعويض التوليدي. يتطلب خوارزميات معقدة جداً مثل LMS وتكاملاً رقمياً مكثفاً لتقدير التفاعل الكامن.
استخراج مؤشرات جودة المطابقة يتطلب جهداً إضافياً وصيغاً رياضية لدمج مؤشرات التوفيق المتناثرة عبر النماذج. مباشر وتلقائي؛ تُقارن دالة الإمكانية العظمى بالنموذج المشبع ونموذج الاستقلال فورياً.
إدراج المتغيرات المساعدة تُضاف بحرية تامة داخل مصفوفة التنبؤ دون التقيد بشكل النموذج النهائي. تُدمج عبر استراتيجية Graham للارتباطات المشبعة لتفادي تشويه درجات حرية النموذج.
البيئة البرمجية ومنحنى التعلم متاح في كافة البرمجيات العامة (SPSS, Stata, SAS, R) ومنحنى استخدامه ميسور. مرتبط أساساً ببرمجيات المعادلات البنائية (Mplus, lavaan) ويتطلب فهماً للنمذجة المسارية.

5. أوجه التشابه ونقاط الالتقاء الإحصائي

5.1 الافتراض الجوهري المشترك لآلية الفقدان

على الرغم من التباينات الإجرائية والبرمجية الواضحة في جدول المقارنة، فإن التعويض المتعدد وFIML يشتركان في أساس إبستمولوجي وإحصائي وثيق؛ إذ يستند كلاهما إلى افتراض الفقدان العشوائي (Missing at Random – MAR) كمبرر رياضي مركزي لاستعادة التقديرات غير المتحيزة. تحت مظلة افتراض MAR، تكون آلية الفقدان “قابلة للتجاهل” (Ignorable Missingness Mechanism)؛ بمعنى أن دالة توزيع الفقدان لا تتطلب تدخلاً نمذجياً صريحاً بمفردها ما دامت المعلومات الملاحظة المتوفرة في البيانات تؤخذ بعين الاعتبار في خوارزمية التقدير سواء عبر دالة الإمكانية لـ FIML أو عبر التوزيع التنبؤي اللاحق لـ MI.

يترتب على هذا الاشتراك المفهومي نتيجة حاسمة: لا يمكن لأي من الأسلوبين بمفرده معالجة أو إلغاء التحيز المنهجي إذا كانت آلية الفقدان في الواقع التجريبي غير عشوائية (Missing Not at Random – MNAR). فإذا امتنع الطلاب ذوو الدرجات الأدنى عن الحضور للامتحان بسبب رسوبهم الحتمي، أو امتنع المستجيبون المرضى جداً عن ملء استبيان جودة الحياة بدافع تدهور صحتهم البالغ دون وجود متغير وسيط يقيس هذا التدهور، فإن كلاً من MI وFIML سينتجان تقديرات متحيزة للمتوسطات ونسب الانتشار؛ إذ لا يمتلك أي منهما قدرة سحرية على استقراء معلومات غير موجودة في مصفوفة البيانات دون فرضيات بنائية إضافية، وهو ما نبهت إليه دراسات تتبع الاستجابة الذاتية عبر الزمن كدراسة Sticca وزملائه (2017) في فحص دقة الدرجات المبلغ عنها ذاتياً.

وفي هذا السياق، يشترك الأسلوبان في استراتيجية الوقاية والتقريب المنهجي عبر تضمين المتغيرات المساعدة (Auxiliary Variables)؛ فكلما أمكن للباحث جمع متغيرات إضافية ترتبط باحتمالية الفقدان أو بالقيم المفقودة وتضمينها في نموذج التعويض في MI أو نموذج الارتباطات المشبعة في FIML، استطاع الارتقاء بآلية الفقدان من طور MNAR الصعب والمعقد إلى طور يقترب من MAR، مما يحد بدرجة هائلة من أي انحياز كامن في النتائج المستخلصة.

5.2 الكفاءة المقاربة والتقارب المقارب (Asymptotic Equivalence)

يمثل التكافؤ المقارب (Asymptotic Equivalence) إحدى أروع النتائج التي أثبتتها النظرية الإحصائية الحديثة؛ ففي ظل الشروط المثالية التي تتضمن حجماً كبيراً للعينة، وافتراض التوزيع الطبيعي المتعدد للمتغيرات، وارتفاع عدد مجموعات البيانات المعوضة ($m$) في التعويض المتعدد إلى ما لا نهاية من الناحية النظرية أو إلى أعداد كبيرة عملياً، فإن قيم المعالم المقدرة والأخطاء المعيارية الناتجة عن التعويض المتعدد تتقارب لتتطابق رياضياً مع قيم المعالم والأخطاء المعيارية الناتجة عن الإمكانية العظمى بالمعلومات الكاملة (FIML).

يعود هذا التطابق التجريبي إلى أن كلاً من التقدير البايزي المعتمد في MI باستخدام توزيعات أولية غير إعلامية (Non-informative Priors) وتقدير الإمكانية العظمى في FIML يستمدان معلوماتهما الاستدلالية من نفس دالة الإمكانية المشتركة للبيانات الملاحظة. وقد أكدت مئات الدراسات المحاكاتية المنشورة وتطبيقات النمذجة الإمبريقية المعقدة—مثل أبحاث Gaspard وزملائها (2017) حول مقارنات التوقعات والقيم عبر المجالات المتعددة، ودراسات Meyer وFleckenstein وKöller (2019) في تفاعلات التوقع والقيمة—أنه عند تطبيق الأسلوبين بطريقة متسقة وبنفس المتغيرات المساعدة، تأتي مخرجات الانحدار وأوزان المسار متطابقة حتى الأرقام العشرية الثانية أو الثالثة، مما يمنح الباحث طمأنينة علمية بأن المفاضلة بينهما ليست مفاضلة بين الخطأ والصواب الرياضي، بل هي مفاضلة في الكفاءة والملائمة الإجرائية لسياق البحث.

لذلك، تحظى الطريقتان باعتراف أكاديمي موحد في أدلة النشر التابعة للجمعيات العلمية الكبرى، مثل جمعية علم النفس الأمريكية (APA) ومبادئ جمعية الإحصاء الأمريكية (ASA)، بوصفهما المعيارين الذهبيين (State of the Art) لمعالجة البيانات المفقودة، مع التحذير التام والصريح من اللجوء للأساليب البدائية القديمة كالحذف الإجرائي أو التعويض بالمتوسط الحسابي.

6. معايير الاختيار والممارسة التطبيقية: أيهما يُستخدم ومتى؟

6.1 سياقات ترجيح كفة الإمكانية العظمى بالمعلومات الكاملة (FIML)

يتعين على الباحث ترجيح كفة FIML بوصفه الخيار الأكثر كفاءة وأناقة منهجية في السياقات التحليلية التي تتقاطع مباشرة مع أدوات النمذجة الهيكلية؛ وتأتي في صدارتها:

  • نماذج المعادلات البنائية المعقدة (SEM) وتحليل المسار (Path Analysis): عندما يكون الهدف الجوهري للدراسة هو اختبار نموذج سببي كامن يربط بين متغيرات كامنة متعددة، أو فحص مسارات التوسط (Mediation) والتعديل غير المتشعب؛ حيث يتيح FIML تقديراً موحداً لكافة مسارات التوجيه والتأثيرات غير المباشرة وتباينات الأخطاء في خطوة تقديرية واحدة، متجنباً تعقيدات دمج معالم المسارات غير المباشرة وتوزيعاتها اللامتناظرة عبر عشرات الملفات المعوضة.
  • نماذج منحنى النمو الكامن (Latent Growth Curve Models) والبيانات الطولية متعددة الموجات: في الدراسات التتبعية الطولية التي تُجمع فيها البيانات عبر موجات زمنية متتالية، يعاني الباحثون حتماً من تسرب المشاركين (Attrition). يتيح FIML في نماذج النمو الكامنة تقديراً سلساً لنقطة البداية (Intercept) ومعدل التغير عبر الزمن (Slope)، مع استيعاب التباين الزمني للأفراد الذين تغيبوا عن بعض الموجات دون استبعادهم، وهو ما وظفه باحثون كبار مثل Ghisletta وBickel وLövdén (2006) في دراسة التدهور المعرفي والنشاط لدى كبار السن، وكما حللته أيضاً أبحاث Pitzer وSkinner (2016) في رصد التغير في المرونة الدافعية للطلاب على مدار العام الدراسي.
  • الحاجة إلى تقييم حاسم وفوري لمؤشرات جودة المطابقة (Goodness-of-Fit Indices): إذا كان التقييم الشامل للنموذج يعتمد بدرجة أساسية على اختبار مربع كاي ومؤشرات التوفيق المقارن (CFI/TLI/RMSEA) لاختيار أفضل النماذج المتنافسة وتقييم ثبات القياس (Measurement Invariance)، فإن FIML يوفر هذه المؤشرات بحسابات رياضية موثوقة ونظيفة رياضياً دون تشتيت التقدير التجميعي.

6.2 سياقات ترجيح كفة التعويض المتعدد (Multiple Imputation)

في المقابل، تميل الكفة المنهجية بقوة لصالح التعويض المتعدد (MI) في السيناريوهات البحثية التي تتطلب قدراً عالياً من التنوع التوزيعي والاستقلالية التحليلية؛ ومن أبرزها:

  • الدراسات المسحية الواسعة ذات المتغيرات الفئوية والترتيبية المتشعبة: عندما تحتوي مصفوفة البيانات على عدد هائل من المتغيرات الديموغرافية والمسحية المتنوعة، كالمتغيرات الثنائية، والاسمية، والترتيبية ذات الفئات المحدودة؛ حيث تسمح خوارزميات السلاسل المقيدة (MICE) باستخدام النماذج التنبؤية المخصصة لكل مقياس وطبيعة توزيعية، متفوقة تماماً على قيود الطبيعية التوزيعية الصارمة لـ FIML.
  • المشاريع البحثية التعاونية وبنوك البيانات المفتوحة (Open Science Data): إذا كان الهدف المنهجي هو تنظيف وتجهيز قاعدة بيانات ضخمة ممولة من جهات حكومية أو أكاديمية لتُطرح لاحقاً للاستخدام العام للباحثين والجمهور، فإن FIML لا يقدم أي حل تخزيني؛ إذ يجب توفير مصفوفات مكتملة يمكن تنزيلها وتشغيل مختلف أنواع التحليلات الاستكشافية وغير المعلمية عليها مستقبلاً، وهو ما يحققه التعويض المتعدد بدقة وموثوقية عالية.
  • النماذج التي تحتوي على تأثيرات تفاعلية معقدة غير خطية (Interaction Terms): عند رغبة الباحث في اختبار تفاعلات معقدة بين متغيرات متعددة أو حدود تربيعية متعددة المستويات يصعب صياغتها داخل أطر SEM الكلاسيكية، يتيح التعويض المتعدد تكوين حدود الضرب مسبقاً وتوليد القيم المشروطة بها، ثم الانتقال لتحليلها في نماذج الانحدار المعيارية المعتادة.

6.3 بروتوكول اتخاذ القرار ودمج الأسلوبين للتحقق من الحساسية

لضمان اتخاذ قرار منهجي منضبط، يُوصى باتباع بروتوكول متسلسل لاختيار الأسلوب الأنسب، تلخصه شجرة القرارات التالية:

  • الخطوة الأولى: فحص طبيعة النموذج الإحصائي المستهدف؛ هل هو نموذج معادلات بنائية، أو تحليل مسار كامن، أو نموذج نمو طولي؟ إذا كانت الإجابة نعم، وكانت المتغيرات التابعة مستمرة وموزعة بصورة مقبولة، فإن FIML يمثل الخيار الأول والأكثر كفاءة ودقة ومباشرة.
  • الخطوة الثانية: تقييم طبيعة المتغيرات التي تحتوي على فقدان؛ إذا كانت البيانات المفقودة تتركز في متغيرات فئوية أو اسمية معقدة، أو إذا كانت العلاقات المفترضة غير خطية وتشتمل على تفاعلات متشعبة، فإن التعويض المتعدد (MI via MICE) يغدو الخيار المنهجي الأكثر أماناً وحصانة ضد تشويه المقاييس.
  • الخطوة الثالثة: دراسة مآل البيانات؛ إذا كان الباحث يهدف إلى نشر قاعدة بيانات مكتملة للجمهور العلمي لإجراء تحليلات متعددة لاحقة غير محددة مسبقاً، يتعين اللجوء حتماً إلى التعويض المتعدد (MI).
  • الاستراتيجية المتقدمة (تحليل الحساسية المتقاطع – Sensitivity Analysis): في الدراسات ذات الرهانات العلمية العالية، تُعد الممارسة الفضلى هي تطبيق كلا الأسلوبين بالتوازي على مصفوفة البيانات ذاتها (مع تثبيت نفس المتغيرات المساعدة)، ثم مقارنة النتائج؛ فإن جاءت المعالم متقاربة، منح ذلك الباحث والمحكم ثقة مطلقة في متانة النتائج وعدم تأثرها بأداة معالجة الفقدان، وإن ظهرت فروق جوهرية، دل ذلك على وجود انتهاكات توزيعية أو مشكلات توافق استلزمت الفحص المتعمق.

يتعين توثيق خطوات معالجة الفقدان وفق معايير الجمعية الأمريكية لعلم النفس (APA) ومبادئ بيان تعزيز إعداد التقارير للدراسات القائمة على الملاحظة في علم الأوبئة (STROBE)، وذلك بالإبلاغ المفصل عن نسبة القيم المفقودة في كل متغير، والنمط المفترض للفقدان ومبرراته، وأسلوب المعالجة المعتمد بالتفصيل (مثل عدد التعويضات $m$ والخوارزمية المستخدمة كـ MICE في MI، أو نوع دالة الإمكانية والمقدر المستخدم كـ MLR في FIML)، والمتغيرات المساعدة المضمنة في التحليل.

7. الأسئلة الشائعة

7.1 هل تعطي طريقتي MI وFIML نفس النتائج الإحصائية دائماً؟

لا تعطي الطريقتان نتائج متطابقة تماماً على نحو حرفي في كل تطبيق، بل تتقاربان إلى حد كبير يجعلهما تقودان غالباً إلى نفس القرارات الاستدلالية عند توافر شروط معينة. يتحقق التقارب الشبه التام عندما تكون المتغيرات موضع التحليل مستمرة وتتبع التوزيع الطبيعي المتعدد، ويكون حجم العينة كبيراً، ويُستخدم عدد كافٍ من مجموعات البيانات المعوضة ($m ge 50$) في التعويض المتعدد. في هذه الحالة، تتطابق معاملات الانحدار وأوزان المسار حتى المنزلة العشرية الثانية غالباً.

ومع ذلك، تظهر اختلافات ملموسة في سياق العينات الصغيرة، أو عند وجود نسب فقدان مرتفعة جداً مع عدد محدود من التعويضات ($m = 5$)، أو عند وجود متغيرات فئوية ذات التواء شديد تُعالج في MI بنماذج انحدار لوجستية بينما تُعامل في FIML بفرضيات التوزيع الطبيعي. كما يتأتى التباين إذا لم يُدمج نفس المتغير المساعد بدقة في كلا النموذجين؛ حيث تؤدي أي فروق طفيفة في بنية نموذج التعويض أو نموذج الارتباطات المشبعة إلى اختلافات ملحوظة في التقديرات المعلمية الناتجة.

7.2 كيف نتعامل مع انتهاك افتراض الفقدان العشوائي (MNAR) في الطريقتين؟

يمثل انتهاك افتراض الفقدان العشوائي (MAR) وتحقق آلية الفقدان غير العشوائي (MNAR) تحدياً مشتركاً للتعويض المتعدد وFIML؛ إذ لا يستطيع أي منهما بمفرده إلغاء التحيز المنهجي الناجم عن ارتباط الفقدان بذات القيم المفقودة غير الملاحظة دون إدخال فروض بنائية مسبقة. في هذه الحالة، تفشل صيغ FIML الكلاسيكية وصيغ MI التقليدية في استعادة المعالم الحقيقية للمجتمع.

للتعامل المنهجي مع هذه المعضلة، يلجأ الباحثون إلى استراتيجيتين متقدمتين:

  • نماذج الاختيار (Selection Models): وفيها تُبنى دالة مشتركة تنمذج البيانات الموضوعية جنباً إلى جنب مع دالة احتمالية الاستجابة أو الفقدان (مثل نموذج تصحيح الانحياز لهيكمان Heckman Selection Model).
  • نماذج خليط الأنماط (Pattern-Mixture Models): وفيها تُقسم العينة إلى مجموعات فرعية طبقاً لنمط الفقدان، ثم تُقدر المعالم داخل كل نمط وتُدمج باستخدام معالم استكمال حساسة.

كما يُوصى بإجراء تحليلات الحساسية النطقية (Sensitivity Analyses)؛ والتي تقوم على إدخال قيم انحياز مفترضة ومدروسة عمداً للبيانات المفقودة للتحقق من المدى الذي يمكن أن تتغير عنده الاستنتاجات العلمية والقرارات الاستدلالية إذا انحرفت البيانات عن مسار الفقدان العشوائي.

7.3 ما هو الحد الأدنى لنسبة البيانات المفقودة التي تستدعي اللجوء إلى MI أو FIML؟

تسود في بعض الأوساط الأكاديمية مغالطة شائعة مفادها أن نسب الفقدان المنخفضة (مثل أقل من 5%) تعد غير مهمة، وتبيح اللجوء المباشر للحذف الكلي (Listwise Deletion). تؤكد الأدبيات الإحصائية الحديثة خطأ هذا المنطق الشائع؛ إذ يمكن لنسبة فقدان ضئيلة جداً (حتى لو كانت 2% أو 3%) أن تحدث تحيزاً فادحاً في تقدير المعالم إذا كان الفقدان غير عشوائي أو إذا كان استبعاد الحالات يؤدي إلى اجتزاء نمط حرج من المجتمع.

توصي التوجهات المنهجية المعاصرة باللجوء الدائم إلى الأساليب الحديثة كـ MI وFIML متى وُجد فقدان في البيانات، وتجنب الحذف الكلي قدر الإمكان. وتتجلى القيمة الاستثنائية لهذين الأسلوبين عند ارتفاع نسب الفقدان إلى مستويات حرجة (تتراوح بين 20% و50%، كما هو معتاد في المسوح الطولية الممتدة لسنوات)؛ حيث يمتلك كل من MI وFIML قدرة مثبتة على استعادة القوة الإحصائية المفقودة وحفظ سلامة التقديرات وتجنيب الباحث استبعاد مئات المشاركين، شريطة تدقيق الفروض التوزيعية واستيفاء افتراض الفقدان العشوائي.

8. خاتمة وتوصيات منهجية

8.1 الخلاصة التركيبية للمفاضلة بين المنهجين

نخلص من هذا التحليل المقارن الموسع إلى أن التعويض المتعدد (MI) والإمكانية العظمى بالمعلومات الكاملة (FIML) لا يمثلان مدرستين إحصائيتين متصادمتين، بل هما حلان رياضيان ومنهجيان متكاملان ينتميان لنفس الإطار النظري للاستدلال الإحصائي الحديث تحت افتراض الفقدان العشوائي (MAR). إن الاختيار الرشيد بينهما لا ينبغي أن يستند إلى تفضيلات ذاتية أو عادات برمجية مجردة، بل يجب أن يكون محكوماً بالبنية العميقة للتصميم التجريبي، وطبيعة مستويات القياس للمتغيرات، والأداة التحليلية المستهدفة لاختبار الفروض العلمية.

عندما تكون الدراسة متمحورة حول اختبار نماذج هيكلية بنائية كامنة أو مسارات نمو طولية، تظل الإمكانية العظمى بالمعلومات الكاملة (FIML) الخيار الأوفر جهداً، والأكثر حتمية واستقراراً رياضياً، والأسرع في تقديم مؤشرات المطابقة الكلية للنموذج. أما عندما تتشابك مصفوفة البحث بمتغيرات فئوية، وترتيبية، وتحويلات غير خطية معقدة، أو عندما يقتضي البحث إنتاج قواعد بيانات مكتملة وموثوقة للنشر والمشاركة الأكاديمية المفتوحة، فإن التعويض المتعدد (MI) عبر خوارزميات السلاسل المقيدة (MICE) يقف بوصفه الخيار الأوسع مرونة والأقدر على محاكاة الواقع البياني بدقة دون تشويه حدود المقاييس.

ختاماً، نهيب بالباحثين في كافة الحقول الأكاديمية التخلي النهائي عن ممارسات الحذف الإجرائي القديمة والتعويضات الأحادية الجائرة، والارتقاء بالممارسة المنهجية عبر تبني هذين المعيارين الذهبيين، مع الالتزام التام بالشفافية المنهجية المطلقة في الإبلاغ عن نسب الفقدان، وتبرير الفروض المعتمدة لآلياته، وتوثيق تفاصيل حزم المعالجة المتبعة، صوناً لسلامة البناء العلمي وضماناً لموثوقية القرارات الاستدلالية التي تبنى عليها سياسات وممارسات المجتمعات الإنسانية.

المراجع

  • 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
  • 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
  • Curran, P. J., & Hussong, A. M. (2003). The Use of Latent Trajectory Models in Psychopathology Research. Journal of Abnormal Psychology. https://doi.org/10.1037/0021-843x.112.4.526
  • Pitzer, J. R., & Skinner, E. A. (2016). Predictors of changes in students’ motivational resilience over the school year: The roles of teacher support, self-appraisals, and emotional reactivity. International Journal of Behavioral Development. https://doi.org/10.1177/0165025416642051
  • Putwain, D. W., Pekrun, R. H., Nicholson, L. J., Symes, W., Becker, S., & Marsh, H. W. (2018). Control-Value Appraisals, Enjoyment, and Boredom in Mathematics: A Longitudinal Latent Interaction Analysis. American Educational Research Journal. https://doi.org/10.3102/0002831218786689
  • Ghisletta, P., Bickel, J.-F., & Lövdén, M. (2006). Does Activity Engagement Protect Against Cognitive Decline in Old Age? Methodological and Analytical Considerations. The Journals of Gerontology Series B. https://doi.org/10.1093/geronb/61.5.p253
  • Sticca, F., Goetz, T., Bieg, M., Hall, N. C., Eberle, F., & Haag, L. (2017). Examining the accuracy of students’ self-reported academic grades from a correlational and a discrepancy perspective: Evidence from a longitudinal study. PLoS ONE. https://doi.org/10.1371/journal.pone.0187367
  • Arens, A. K., Marsh, H. W., Pekrun, R. H., Lichtenfeld, S., Murayama, K., & vom Hofe, R. (2016). Math self-concept, grades, and achievement test scores: Long-term reciprocal effects across five waves and three achievement tracks. Journal of Educational Psychology. https://doi.org/10.1037/edu0000163
  • Meyer, J., Fleckenstein, J., & Köller, O. (2019). Expectancy value interactions and academic achievement: Differential relationships with achievement measures. Contemporary Educational Psychology. https://doi.org/10.1016/j.cedpsych.2019.01.006
  • Gaspard, H., Wigfield, A., Jiang, Y., Nagengast, B., Trautwein, U., & Marsh, H. W. (2017). Dimensional comparisons: How academic track students’ achievements are related to their expectancy and value beliefs across multiple domains. Contemporary Educational Psychology. https://doi.org/10.1016/j.cedpsych.2017.10.003

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). التعويض المتعدد مقابل الإمكانية العظمى بالمعلومات الكاملة (FIML). عرب سايكلوجي. https://arabpsychology.com/comparisons/multiple-imputation-vs-fiml/
looti, Mohammed. “التعويض المتعدد مقابل الإمكانية العظمى بالمعلومات الكاملة (FIML).” عرب سايكلوجي, 16 نوفمبر 2026, https://arabpsychology.com/comparisons/multiple-imputation-vs-fiml/.
looti, Mohammed. “التعويض المتعدد مقابل الإمكانية العظمى بالمعلومات الكاملة (FIML).” عرب سايكلوجي. نوفمبر 16, 2026. https://arabpsychology.com/comparisons/multiple-imputation-vs-fiml/.