البيانات المبتورة في علم النفس والإحصاء السلوكي

تُعد البيانات المبتورة (Censored Data) واحدة من أكثر الظواهر المنهجية تعقيداً وأهمية في مجال علم النفس والقياس النفسي والبحوث السلوكية المعاصرة. تظهر هذه المعضلة عندما تكون قيمة المتغير التابع معروفة جزئياً فقط، وليست محددة بدقة متناهية، نتيجة لوجود حدود زمنية أو أدوات قياس عاجزة عن التقاط الأبعاد الكاملة للظاهرة الإنسانية المدروسة. إن الفهم المعمق لكيفية تشكل هذه البيانات، وسبل نمذجتها رياضياً، يشكل ركيزة أساسية لضمان سلامة الاستنتاجات العلمية وحماية البحث السلوكي من الانحيازات المنهجية القاتلة.

المفهوم الإبستمولوجي والتعريف المنهجي للبيانات المبتورة

يشير مفهوم البيانات المبتورة في جوهره الإحصائي إلى الحالة التي تفتقر فيها الملاحظة إلى قيمة دقيقة ومحددة للمتغير موضع الاهتمام، مع توفر معلومة جزئية تفيد بأن القيمة الحقيقية تقع أعلى أو أدنى أو ضمن نطاق محدد من القيم. في السياق السيكولوجي، لا تعني البيانات المبتورة غياب البيانات بالمعنى التقليدي (Missing Data)، بل تعني أن الباحث يمتلك معرفة مقيدة بحاجز منهجي أو زمني يمنع الرصد الدقيق. إن هذا التمييز الجوهري يفصل بين الفقدان العشوائي للبيانات وحالة البتر المنظم التي تفرضها بنية التصميم التجريبي أو أداة القياس.

تتولد البيانات المبتورة في الدراسات النفسية كنتيجة حتمية لتعامل الباحث مع ظواهر ديناميكية تتكشف عبر الزمن، مثل التعافي من الاضطرابات النفسية، أو العودة إلى الانتكاس بعد العلاج، أو استجابة المفحوصين للمقاييس المعرفية المقيدة بحدود سفلية وعليا. عندما يفشل الباحث في رصد الحدث النفسي بسبب انتهاء فترة المتابعة الزمنية المقررة للدراسة، أو بسبب انسحاب المفحوص لظروف غير متعلقة بالمرض ذاته، تنشأ حالة من البتر تقتضي توظيف معالجات إحصائية متقدمة تختلف جذرياً عن الأساليب البارامترية الكلاسيكية.

يمثل التعامل مع هذا النوع من البيانات تحدياً معرفياً حقيقياً؛ إذ إن تجاهل البتر أو استبدال القيم المبتورة بمتوسطات حسابية تعسفية يقود إلى تشويه جسيم في النتائج وتقدير غير دقيق لحجم الأثر وتباين المجموعات. لذلك، فإن الرقابة الإحصائية أو البتر الإحصائي يُعامل اليوم في النمذجة المتقدمة بوصفه متغيراً حاملاً لمعلومات نوعية يجب دمجها في دوال الإمكان الأعظم (Maximum Likelihood Estimation) بدلاً من استبعادها أو إساءة تمثيلها.

يرتبط المفهوم ارتباطاً وثيقاً بفلسفة القياس السلوكي التي تقر بمحدودية أدوات القياس النفسي مقارنة بأدوات العلوم الطبيعية. فالأدوات النفسية غالباً ما تفرض قيوداً اصطناعية على السلوك الإنساني المستمر، مما يحول المتغيرات المتصلة بطبيعتها إلى تمثيلات مبتورة عند الأطراف. هذا الإدراك المنهجي يدفع نحو ضرورة التمييز الدقيق بين خصائص السلوك الحقيقي والتشوهات الناتجة عن قيود القياس.

التأصيل التاريخي والسياق المعرفي لظاهرة البتر الإحصائي

تعود الجذور الأولى لنظريات البيانات المبتورة إلى مجالات الرياضيات الاكتوارية والهندسة الصناعية، وتحديداً دراسات الموثوقية الصناعية وتحليل عمر المعدات والآلات خلال النصف الأول من القرن العشرين. كان الهدف الأساسي آنذاك هو التنبؤ باحتمالية تعطل الأنظمة الميكانيكية عندما تنتهي تجارب الاختبار قبل أن تتعطل جميع العينات الخاضعة للفحص. وقد تطلبت هذه المعضلة الهندسية ابتكار طرائق إحصائية تستفيد من الفترات الزمنية التي ظلت فيها الوحدات تعمل بنجاح دون إتلاف.

انتقلت هذه الأفكار الثورية تدريجياً إلى العلوم الطبية والوبائية في منتصف القرن العشرين، حيث أدى نشر أبحاث رائدة في مجال تحليل البقاء (Survival Analysis) إلى إحداث نقلة نوعية في دراسة معدلات النجاة من الأمراض المزمنة. وقد مثلت الورقة التاريخية لعالمي الإحصاء إدوارد كابلان وبول ماير عام 1958، التي طرحت مقدِّر كابلان-ماير، علامة فارقة سمحت بتقدير منحنيات البقاء في وجود أوقات متابعة مبتورة وغير متساوية بين الأفراد.

أما في العلوم السلوكية والاجتماعية، فقد بدأ الاهتمام الجدي بالبيانات المبتورة يتبلور مع التوسع في الدراسات التتبعية الطولية ودراسات مسار الحياة ومقاييس الأداء النفسي الحركي. أدرك علماء النفس أن دراسة “الوقت حتى حدوث الحدث” (Time-to-Event)—مثل الوقت المنقضي حتى الإقلاع عن التدخين، أو المدة الزمنية المستغرقة لحل مسألة إدراكية معقدة—تتطلب استعارة هذه النماذج وتطويرها لتلائم تعقيدات النفس البشرية التي تتأثر بمصفوفة هائلة من المتغيرات الوسيطة والمعدلة.

توج هذا التطور المعرفي بإدماج نماذج الانحدار المبتور، مثل نموذج توبيت (Tobit Model) الذي ابتكره جيمس توبين عام 1958 في علم الاقتصاد، داخل ترسانة القياس النفسي. مكنت هذه النماذج الباحثين النفسيين من التعامل مع المتغيرات النفسية المحدودة النطاق، كالسلوك العدواني أو استهلاك المواد المخدرة، حيث تتجمع نسب كبيرة من العينة عند الصفر (بتر سفلي)، دون الوقوع في أخطاء الانحدار الخطي التقليدي التي تفترض التوزيع الطبيعي غير المقيد.

التصنيف البنيوي لأنماط البيانات المبتورة

تتعدد أشكال البتر الإحصائي بناءً على النقطة التي يتوقف عندها الرصد مقارنة بالحدوث الفعلي للحدث النفسي المدروس. ينقسم هذا البتر منهجياً إلى ثلاثة أنماط رئيسية تحكم كلاً منها معادلات احتمالية متباينة:

• البتر من اليمين (Right Censoring): وهو النمط الأكثر شيوعاً في البحوث النفسية الإكلينيكية، وفيه يُعرف أن الحدث النفسي يقع بعد زمن محدد، لكن الباحث يعجز عن رصد توقيته الفعلي لأن الدراسة تنتهي قبل وقوع الحدث، أو لأن المفحوص ينسحب من برنامج التقييم. على سبيل المثال، في دراسة حول عودة نوبات الاكتئاب، إذا انتهت المتابعة بعد اثني عشر شهراً دون أن ينتكس المريض، فإن بياناته تعتبر مبتورة من اليمين عند الشهر الثاني عشر.
• البتر من اليسار (Left Censoring): يقع هذا النمط عندما يكون الحدث قد وقع بالفعل في نقطة زمنية سابقة غير معلومة بدقة قبل بدء رصد الباحث للمفحوص، لكن الباحث يعرف فقط أن الحدث حدث قبل زمن محدد. يظهر ذلك بوضوح في دراسات نمو الطفل؛ كأن يسجل الباحث أن الطفل يمتلك القدرة على تكوين جمل لغوية كاملة عند إلحاقه بالحضانة، لكن العمر الدقيق الذي اكتسب فيه هذه المهارة لأول مرة يظل مجهولاً ويقع يسار نقطة البداية.
• البتر الفتري (Interval Censoring): يتجلى هذا النمط عندما يكون معلوماً أن الحدث النفسي قد وقع داخل فترة زمنية محددة تقع بين نقطتي فحص متتاليتين، دون معرفة اللحظة الدقيقة لحدوثه. ومثاله أن يخضع مفحوص لجلسة تقييم في الشهر الثالث ويكون سليماً، ثم يُقيَّم في الشهر السادس فيتبين إصابته باضطراب الهلع؛ هنا يقع زمن الإصابة في الفترة ما بين الشهرين الثالث والسادس.

إلى جانب هذا التصنيف الاتجاهي، يُميَّز إحصائياً بين ثلاثة أنواع آليّات للبتر بناءً على شروط التجربة: البتر من النوع الأول (Type I Censoring) حيث تتوقف الدراسة عند زمن محدد سلفاً يقرره الباحث لجميع المشاركين؛ والبتر من النوع الثاني (Type II Censoring) حيث تستمر التجربة حتى تقع الأحداث لدى عدد محدد مسبقاً من الأفراد ثم تتوقف؛ والبتر العشوائي (Random Censoring) وهو الأكثر مطابقة للواقع الإكلينيكي حيث يدخل المشاركون ويخرجون في أزمنة مختلفة لأسباب مستقلة عن فرضية البحث.

تفرض هذه الفروق البنيوية نمطاً محدداً لبناء دوال الاحتمال الإحصائية لكل حالة؛ إذ تتطلب صياغة احتمالية دقيقة تأخذ في الحسبان ليس فقط دالة الكثافة الاحتمالية (Probability Density Function) للأحداث المكتملة، بل ودالة البقاء (Survival Function) للملاحظات المبتورة لضمان عدم إهدار المعلومات الجزئية التي تشتمل عليها.

التمييز المنهجي بين البتر والاقتطاع والبيانات المفقودة

يقع كثير من المشتغلين بالبحث النفسي في خلط منهجي بين ثلاثة مصطلحات إحصائية متقاربة ظاهرياً ومتباينة جوهرياً: البيانات المبتورة (Censored Data)، والبيانات المقتطعة (Truncated Data)، والبيانات المفقودة (Missing Data). إن التمييز الدقيق بين هذه الحالات يمثل مدخلاً إلزامياً لاختيار أسلوب التحليل الملائم وتفادي الانحرافات التحليلية الكارثية.

في حالة البيانات المبتورة، يمتلك الباحث سجلاً كاملاً عن المفحوص يتضمن كافة متغيراته التوضيحية والديموغرافية (مثل العمر، الجنس، والسمات الشخصية)، وتكون المعلومة المبتورة مقصورة فقط على القيمة الدقيقة للمتغير التابع، مع معرفة حده الأدنى أو الأعلى. أما في حالة البيانات المقتطعة، فإن العينة بأكملها لا تُسحب من المجتمع الأصلي إلا إذا كانت تقع ضمن نطاق معين، بحيث يُحرم الباحث تماماً من معرفة أي وجود للمفحوصين خارج هذا النطاق. فلو اختار الباحث عينة لدراسة الذكاء الفائق واقتصرت معايير القبول على من تزيد درجة ذكائهم عن 130، فإن المجتمع يقتطع كلياً دون وجود أي سجل لمن هم أدنى من ذلك، ما يغير التوزيع الاحتمالي للنموذج كلياً.

أما البيانات المفقودة، فتشير إلى غياب تام لقيمة المتغير لدى مفحوص كان من المفترض رصد أدائه بالكامل، دون وجود حد رياضي يحكم هذا الغياب. قد تنشأ البيانات المفقودة بسبب امتناع المفحوص عن الإجابة على فقرة معينة في مقياس الشخصية، أو نسيان تدوين إجابة معينة. وتُعالج البيانات المفقودة عادةً عبر تقنيات التعويض المتعدد (Multiple Imputation) أو خوارزمية تعظيم التوقع (EM Algorithm)، بينما تفشل هذه التقنيات مع البيانات المبتورة لأن الغياب فيها ذو دلالة قيمية مقيدة بحاجز محدد وليست قيمة ضائعة عشوائياً.

إن الفهم الدقيق لآليات فقدان البيانات وفق تقسيمات روبن الشهيرة—سواء كانت مفقودة تماماً بصورة عشوائية (MCAR)، أو مفقودة بصورة عشوائية مشروطة (MAR)، أو غير مفقودة بصورة عشوائية (MNAR)—يتقاطع مع آليات البتر؛ فالبيانات المبتورة تمثل في حقيقتها حالة صريحة من حالات عدم الفقدان العشوائي (MNAR)، حيث يرتبط احتمال حدوث البتر ارتباطاً مباشراً بالقيمة الحقيقية للمتغير ذاته، مما يمنع التعامل معها بالطرائق الكلاسيكية الشائعة.

تمظهرات البيانات المبتورة في القياس النفسي والبحوث الإكلينيكية

تتجلى مشكلة البيانات المبتورة في القياس النفسي بصورة فاقعة عبر ما يُعرف بتأثيرات السقف والأرضية (Ceiling and Floor Effects). عندما يُطبق اختبار للقدرات المعرفية مصمم لمتوسطي القدرة على فئة من الموهوبين، فإن نسبة كبيرة منهم قد تحقق الدرجة النهائية القصوى الممكنة على المقياس؛ هذه الدرجات القصوى لا تعكس حقيقة قدراتهم اللانهائية بل تمثل بتراً يمينياً صناعياً فرضته حدود الاختبار. وعلى النقيض من ذلك، إذا طُبق مقياس للاكتئاب الحاد على عينة غير إكلينيكية، فإن الغالبية ستحرز درجة الصفر، وهو ما يمثل بتراً يسارياً عند الحد الأدنى للأداة.

في علم النفس الإكلينيكي والعلاجي، يبرز البتر بوصفه المعضلة الملازمة لتجارب الفعالية الدوائية والعلاج النفسي السلوكي. فعند قياس زمن بقاء المتعافين من الإدمان دون انتكاسة، يواجه الباحث حقيقة أن التجربة لابد وأن تتوقف زمنياً عند مدى معين (مثلاً بعد سنتين). إن الأفراد الذين لم ينتكسوا حتى تلك اللحظة لا يمكن اعتبارهم متعافين نهائياً، كما لا يمكن إهمال بياناتهم، لأن إهمالهم يعني حرمان النموذج من أثمن الأدلة التي تبرهن على نجاح التدخل العلاجي، وهنا تتجلى القيمة المنهجية للبيانات المبتورة يمينياً.

كما تمتد الظاهرة إلى دراسات زمن الاستجابة (Reaction Time) في علم النفس المعرفي. في كثير من المهام الحاسوبية المعقدة، يُمنح المفحوص مهلة زمنية محددة للإجابة، كأن تكون ثانيتين؛ فإذا لم يستجب المفحوص تُسجل المحاولة بوصفها خطأ أو يتم إنهاؤها آلياً. يمثل هذا الإجراء بتراً مفروضاً لزمن الاستجابة الحقيقي الذي كان المفحوص سيحتاجه للوصول إلى الحل لو أُتيح له وقت مفتوح، وتجاهل هذه الحقيقة الرياضية يقود إلى تقديرات زائفة للسرعة والفاعلية المعرفية ومعالجة المعلومات.

وعلاوة على ذلك، تواجه أبحاث الصدمات النفسية واضطراب ما بعد الصدمة (PTSD) تحدي البتر الفتري، حيث لا يستطيع المفحوصون تحديد اللحظة الدقيقة التي تحول فيها القلق التفاعلي الطبيعي إلى اضطراب سريري مزمن، بل يُكتشف الأمر بين مواعيد الزيارات الاستشارية المتباعدة. كل هذه الأمثلة المتنوعة توضح أن البتر ليس استثناءً نادراً في البحوث النفسية، بل هو سمة أصيلة لغالبية التصاميم التجريبية والارتباطية الواقعية.

المعالجات الإحصائية والنماذج الرياضية للبيانات المبتورة

لمواجهة القيود التي تفرضها البيانات المبتورة، طوّر الإحصاء السلوكي والحيوي ترسانة متطورة من النماذج المتخصصة التي تدمج البتر في صلب بنيتها الرياضية. يقف على قمة هذه المعالجات المقاييس اللابارامترية، وعلى رأسها مقدِّر كابلان-ماير (Kaplan-Meier Estimator)، الذي يتيح حساب احتمالية البقاء التراكمية عبر فترات زمنية متعاقبة دون اشتراط توزيع احتمالي محدد للمتغير، ويمنح الأفراد الذين بُترت بياناتهم وزناً نسبياً عادلاً طالما ظلوا تحت الملاحظة النشطة.

وعندما يرغب الباحث النفسي في دراسة تأثير متغيرات تنبؤية متعددة (مثل السمات الشخصية، ونوع التدخل الإكلينيكي، والدعم الاجتماعي) على زمن حدوث الحدث المبتور، يصبح نموذج المخاطر التناسبية لكوكس (Cox Proportional Hazards Model) هو الأداة المنهجية المثلى. يرتكز هذا النموذج شبه البارامتري على افتراض أن دالة الخطورة لأي فرد تتناسب طردياً مع دالة الخطورة الأساسية المشتركة، مما يسمح بحساب نسب الخطورة (Hazard Ratios) وتفسير أثر المتغيرات دون الحاجة إلى تحديد دقيق لتوزيع أوقات البقاء الأساسية.

وفي مجالات القياس النفسي التي تعاني من تأثيرات السقف والأرضية، يلجأ الباحثون إلى نموذج توبيت (Tobit Model) ونماذج الانحدار الخاضعة للرقابة المشتقة منه. يفترض نموذج توبيت وجود متغير كامن غير مقيد (Latent Variable) يتبع التوزيع الطبيعي ويتطابق مع المتغير الملاحظ داخل حدود القياس، لكنه يُبتَر عند الوصول إلى القيم الحدية القصوى أو الدنيا. يتم تقدير معاملات هذا النموذج باستخدام دالة الإمكان الأعظم التي تجمع بين جزأين: جزء انحداري خطي للبيانات غير المبتورة، وجزء احتمالي احتمالي تراكمي (Probit-like) للبيانات المبتورة، مما يقضي تماماً على الانحياز الناتج عن الانحدار التقليدي للمربعات الصغرى.

بالإضافة إلى ذلك، توفر نظرية الاستجابة للمفردة (Item Response Theory – IRT) حلولاً إبستمولوجية بالغة الأناقة للبيانات المبتورة نتيجة تأثيرات السقف؛ حيث تركز نماذج السمات الكامنة على تقدير قدرة الفرد الحقيقية (θ) بصورة مستمرة لا نهائية بناءً على معالم صعوبة وتمييز المفردات، متجاوزة الدرجات الخام المقيدة بحدود الاختبار ومقدمة قياساً دقيقاً حتى للأفراد الذين أجابوا بصورة صحيحة على جميع الأسئلة المطروحة.

التحديات الإبستمولوجية ومخاطر الانحياز في تفسير البيانات

ينطوي التعامل غير الحذر مع البيانات المبتورة على منزلقات منهجية خطيرة تهدد المصداقية الداخلية والخارجية للدراسات السيكولوجية. من أبرز هذه المنزلقات افتراض “البتر غير الإخباري” (Non-informative Censoring) أو البتر المستقل؛ حيث تفترض النماذج القياسية الشائعة أن سبب بتر الملاحظة لا علاقة له باحتمالية وقوع الحدث قيد الدراسة. فإذا انسحب مريض نفسي من تجربة سريرية بسبب تفاقم أعراض الاكتئاب لديه لدرجة منعته من الحضور، فإن بتر بياناته يرتبط ارتباطاً مباشراً بالحدث، ويُعد بتراً إخبارياً (Informative Censoring)، مما يقود إلى انحياز متفائل يضخم فاعلية العلاج الخاضع للتجربة بصورة مضللة.

تتمثل معضلة أخرى في ممارسة شائعة وخاطئة تتمثل في حذف الحالات المبتورة من التحليل الإحصائي وقصر الدراسة على الحالات المكتملة فقط (Complete Case Analysis). إن هذا الإجراء التعسفي يجرد العينة من الأفراد الأكثر مرونة أو الأكثر استجابة (في حالات البتر من اليمين) أو الأفراد الأكثر تطرفاً، مما يقلص حجم العينة بصورة مصطنعة، ويهوي بالقوة الإحصائية (Statistical Power) للاختبارات، وينتج تقديراً متحيزاً للغاية لمعدلات الوقوع والانتشار في المجتمع الأصلي.

كما تبرز صعوبات إبستمولوجية تتعلق بمدى تحقق الفروض التوزيعية عند استخدام النماذج البارامترية للبقاء، مثل توزيع وايبول (Weibull) أو التوزيع الأسي أو اللوجستي اللوغاريثمي. إن أي خطأ في تحديد التوزيع الرياضي الأساسي للأوقات النفسية يقود إلى استنتاجات خاطئة تماماً حول طبيعة التغير السلوكي عبر الزمن، وهو ما يفرض على الباحث استخدام اختبارات جودة المطابقة وفحص البواقي المشتقة بعناية بالغة للتأكد من ملاءمة النموذج المختار للبيانات الميدانية الفعلية.

تتفاقم هذه التحديات في الدراسات متعددة المستويات والمراكز البحثية، حيث تتباين معدلات البتر بين العيادات أو المدارس المختلفة نتيجة لاختلاف البروتوكولات الإدارية أو الخصائص الاجتماعية للمشاركين. يتطلب هذا التباين تضمين آثار عشوائية (Frailty Models) لحساب الارتباط والهشاشة الكامنة داخل العناقيد، وهي تقنيات متقدمة تتطلب حجوم عينات كبيرة وخبرة إحصائية متعمقة لتفادي الوصول إلى استنتاجات تعميمية زائفة.

الممارسات الفضلى والاعتبارات التطبيقية للباحث النفسي

لضمان أعلى درجات الدقة والنزاهة الأكاديمية عند مواجهة البيانات المبتورة، يتعين على الباحثين في العلوم النفسية والسلوكية اتباع حزمة من الممارسات المنهجية الرصينة بدءاً من مرحلة تصميم البحث وحتى التقرير النهائي للنتائج:

• التخطيط الاستباقي لجمع البيانات: يجب تصميم بروتوكولات المتابعة الإكلينيكية بطريقة تحد من الانسحاب غير المبرر للمشاركين، مع التوثيق المنهجي الدقيق لأسباب توقف الملاحظة أو الخروج من الدراسة لفرز حالات البتر المستقل عن البتر المرتبط بالمرض.
• الاختيار العقلاني لأدوات القياس: ينبغي تفادي أدوات القياس التي تعاني بطبيعتها من ضيق النطاق وتوليد تأثيرات سقف أو أرضية واضحة، والاستعاضة عنها بأدوات تكيفية محوسبة تستند إلى نظرية الاستجابة للمفردة لتغطية مختلف مستويات السمة النفسية بدقة متناهية.
• الإفصاح الشفاف عن معدلات وطبيعة البتر: يجب أن تتضمن تقارير البحوث السلوكية جداول ورسوماً بيانية تفصيلية توضح نسب الحالات المبتورة، وتوزيعها عبر المجموعات التجريبية والضابطة، وتحديد النمط الإحصائي للبتر (يميني، يساري، فتري) بشفافية تامة وفق معايير الجمعية النفسية الأمريكية (APA).
• إجراء تحليلات الحساسية (Sensitivity Analyses): يُنصح الباحثون باختبار مدى متانة النتائج عبر سيناريوهات متعددة تفترض ظروفاً متباينة للبيانات المبتورة (مثل افتراض أسوأ السيناريوهات وأفضلها للحالات التي فُقدت بشكل إخباري)، لضمان أن الاستنتاجات العلمية لا تتغير بصورة جذرية بتغير الافتراضات المنهجية.
• استخدام الحزم البرمجية المعتمدة: توظيف البيئات الإحصائية القوية، مثل مكتبات لغة R المتخصصة (كحزم survival وcensReg) أو برمجيات النمذجة المتقدمة (مثل Mplus)، التي تتيح التعامل المعقد مع المتغيرات الكامنة والمبتورة وفق أدق معايير التقدير الاحتمالي.

إن إتقان هذه الممارسات لا يُعد مجرد ترف تقني، بل هو واجب أخلاقي وعلمي تفرضه مسؤولية الباحث تجاه الظواهر النفسية التي يدرسها؛ فالأخطاء الناتجة عن إساءة تفسير البيانات المبتورة قد تفضي إلى إقرار برامج علاجية غير فعالة أو استبعاد تدخلات نفسية ذات أثر حقيقي على حياة المرضى والمجتمع.

خاتمة

تظل البيانات المبتورة مفهوماً تأسيسياً في القياس والإحصاء السيكولوجي الحديث، يجسد التداخل العميق بين حدود القياس الإنساني والتعقيد المتأصل في السلوك البشري عبر الزمن. إن الاعتراف بالبتر لا يمثل إقراراً بضعف الدراسة، بل هو خطوة أولى نحو النضج المنهجي الذي يستثمر المعرفة المتاحة جزئياً ويوظف النماذج الرياضية المناسبة—من تحليلات البقاء ونماذج الانحدار المبتور ونظرية السمات الكامنة—لاستخلاص حقائق علمية موثوقة تعزز فهمنا للسلوك والاضطرابات الإنسانية بدقة وتجرّد.

المراجع

• Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187-202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
• Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457-481. https://doi.org/10.1080/01621459.1958.10501452
• Little, R. J., & Rubin, D. B. (2019). Statistical analysis with missing data (3rd ed.). John Wiley & Sons.
• Singer, J. D., & Willett, J. B. (2003). Applied longitudinal data analysis: Modeling change and event occurrence. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780195152968.001.0001
• Tobin, J. (1958). Estimation of relationships for limited dependent variables. Econometrica, 26(1), 24-36. https://doi.org/10.2307/1907382