الحذف بالقائمة: معضلة البيانات المفقودة في علم النفس

يمثل التعامل مع المعطيات الناقصة أحد أعقد التحديات المنهجية والإحصائية التي تواجه الباحثين في ميادين العلوم النفسية والاجتماعية المعاصرة؛ إذ تقف سلامة النتائج العلمية وقابليتها للتعميم على المحك عند اتخاذ قرار حاسم بشأن كيفية معالجة الفقدان في أدوات القياس والاستبيانات السيكومترية. ويعد أسلوب الحذف بالقائمة من أقدم الإجراءات التقليدية وأكثرها شيوعاً واستخداماً بصورة آلية وافتراضية في البرمجيات الإحصائية الشهيرة، على الرغم مما يكتنفه من محاذير وتحديات منهجية قد تقود إلى تشويه التقديرات وفقدان القوة الإحصائية بصورة بالغة الخطورة. يقدم هذا الدليل المرجعي تحليلاً أكاديمياً شاملاً ومستفيضاً لمفهوم الحذف بالقائمة من زوايا متعددة؛ تشمل الجذور النظرية والرياضية، والتأصيل التاريخي، والبدائل المنهجية الأكثر كفاءة وموثوقية في الممارسات البحثية النفسية المتقدمة.

الحذف بالقائمة (Listwise Deletion)

1. التعريف الموجز والدقيق

الحذف بالقائمة (المعروف أيضاً باسم تحليل الحالات الكاملة أو Complete-Case Analysis) هو أسلوب منهجي وإحصائي لمعالجة البيانات المفقودة يقوم على استبعاد وحذف أي حالة أو مشارك أو سجل بحثي بالكامل من التحليل الإحصائي بمجرد احتوائه على قيمة مفقودة واحدة على الأقل في أي متغير من المتغيرات المدرجة في النموذج التحليلي قيد الاختبار.

يعني هذا الإجراء أن الباحث يحصر تحليلاته الإحصائية فقط في العينة الفرعية التي يمتلك أفرادها بيانات مكتملة تماماً عبر جميع المتغيرات محل الدراسة؛ فإذا كان الاستبيان يتضمن عشرين مقياساً فرعياً وكان المفحوص قد أجاب عن تسعة عشر مقياساً وأغفل مقياساً واحداً فقط، فإن استجابته تُحذف بالكامل من الحزمة الإحصائية، ولا تدخل درجاته في حساب مصفوفات التباين والتباين المشترك أو معاملات الارتباط أو نماذج الانحدار الخطي والنمذجة البنائية. يؤدي هذا الاستبعاد الراديكالي إلى تقليص حجم العينة الفعلي المتاح للتحليل، مما يولد تداعيات عميقة ومباشرة على القوة الإحصائية للاختبار ودقة التقديرات المعلمية وجودة الاستدلال العلمي برمته.

من الناحية المعيارية، يفترض الحذف بالقائمة ضمناً أن آلية فقدان البيانات تحدث بصورة عشوائية تامة دون أي ارتباط بأي متغيرات ملحوظة أو غير ملحوظة؛ وهو ما يعبر عنه في الأدبيات الإحصائية بشرط الفقدان العشوائي التام، وهو افتراض بالغ الصرامة ونادراً ما يتحقق في الدراسات والبحوث النفسية الميدانية والسلوكية المعقدة الواقعية.

2. التأصيل اللغوي والاشتقاق

يتألف مصطلح الحذف بالقائمة في المعاجم اللغوية العربية من مفردتين أصيلتين؛ فكلمة «الحذف» مشتقة من الجذر اللغوي الثلاثي (ح ذ ف)، ويدل في لسان العرب ومقاييس اللغة على إسقاط الشيء، وقطعه من طرفه، وإسقاط جزء من كل رغبة في الإيجاز أو التنقية، واصطلاحاً يُقصد به إسقاط مدخلة أو قيمة أو سجل من بنية الحساب الرياضي. أما كلمة «القائمة» فتشير في السياق المنهجي والحوسبي إلى المتوالية أو السجل المرتب الذي يضم مجموعة المشاهدات والدرجات المترابطة الخاصة بفرد واحد أو وحدة تحليلية محددة، والمقابلة للفظ الأجنبي (List).

في المقابل، ظهر المصطلح باللغة الإنجليزية في أواسط القرن العشرين تحت اسم (Listwise Deletion)، حيث تعبر اللاحقة (wise-) عن الكيفية أو النسق الشامل المرتبط بالسجل الكامل (Row-wise أو Casewise). وقد دخل هذا المصطلح إلى المعجم الإحصائي النفسي بالتوازي مع بزوغ عصر الحوسبة الآلية وظهور حزم البرمجيات الإحصائية المبكرة، ليميز هذا الإجراء الجذري عن أسلوب «الحذف الزوجي» (Pairwise Deletion) الذي يسقط القيم الناقصة عند حساب كل معامل ارتباط ثنائي على حدة دون إسقاط الحالة كلياً من كافة التحليلات اللاحقة.

3. النطق والبنية النحوية والصرفية

يُنطق المصطلح باللغة العربية الفصحى بصيغة المركب الإضافي المقترن بحرف الجر: «الحَذْفُ بِالقَائِمَةِ»، بفتح الحاء وسكون الذال وضم الفاء في حالة الرفع، وجر كلمة «القائمة» بالكسرة الظاهرة. ويعرب حسب موقعه في الجملة؛ كأن يقع مبتدأ مرفوعاً أو مفعولاً به منصوباً، ومثاله: «يؤدي الحذفُ بالقائمةِ إلى تقليلِ كفاءةِ التقديرِ الإحصائي»، أو «اعتمدَ الباحثون الحذفَ بالقائمةِ خياراً أولياً». ويستخدم في الكتابات العربية بمترادفات قياسية مقبولة نحوياً تشمل: «الحذف الكامل للحالات»، و«تحليل الحالات التامة»، و«الإسقاط الشامل للحالات الناقصة».

أما من حيث التركيب الصرفي، فإن «الحذف» هو مصدر صريح لفعل ثلاثي متعدٍ (حَذَفَ يَحْذِفُ حَذْفاً)، و«القائمة» اسم فاعل مؤنث من الفعل (قام)، وتعمل هنا بمعنى جدول البيانات أو السجل التراكمي للمشاهدات. واستقر هذا التركيب النحوي في المراجع الإحصائية السيكومترية المترجمة كمركب وصفي واصطلاحي مستقر الدلالة.

4. الشرح المفاهيمي الموسع

لفهم الحذف بالقائمة بعمق، يتعين النظر إليه بوصفه مرشحاً آلياً صارماً يتحكم في تدفق البيانات الخام من مرحلة التجميع إلى مرحلة المعالجة والنمذجة. يرتكز المفهوم على فرضية براغماتية جوهرها أن التحليلات الرياضية القياسية—مثل حساب المتوسطات الحسابية، واختبارات «ت»، وتحليل التباين الأحادي والمتعدد، والانحدار المتعدد، وتحليل المسار—قد تم اشتقاقها وتأسيس مبرهناتها في الأصل على افتراض مصفوفة بيانات مستطيلة ومكتملة تماماً، لا تحتوي على أي خلايا فارغة أو غير معرّفة. وبناءً على هذا التصور الهندسي لمصفوفة البيانات، فإن أي خلية فارغة تشكل عائقاً حسابياً مباشراً أمام الخوارزميات التقليدية؛ مما دفع المبرمجين الأوائل إلى اعتماد الحذف التلقائي لكل صف أفقي يحتوي على فجوة معلوماتية.

تتحدد أبعاد وحدود هذا المفهوم في ثلاث ركائز بنيوية:

• وحدة الحذف هي الحالة الكاملة: لا يقتصر الحذف على المتغير الذي غابت عنه الاستجابة، بل يمتد ليشمل كافة المتغيرات الأخرى التي استجاب لها المفحوص بكل دقة وأمانة؛ مما يعني إهدار معلومات موثوقة ومكلفة تم جمعها ميدانياً.
• تغير حجم العينة بتغير المتغيرات: يتسم حجم العينة النهائي في الحذف بالقائمة بالديناميكية السلبية؛ فكلما أضاف الباحث متغيراً جديداً إلى نموذجه التنبئي، زادت احتمالية وجود قيم مفقودة، وبالتالي تقلص حجم العينة بصورة تصاعدية تفوق بكثير معدل الفقدان في كل متغير منفرد.
• الارتباط الحتمي بآلية الفقدان: لا يعمل الحذف بالقائمة بحيادية مطلقة؛ بل ترتبط دقته وصحته الداخلية ارتباطاً وثيقاً بالآلية المولدة للبيانات المفقودة، وهو ما يجعله صالحاً فقط في حالات نادرة للغاية ومقيدة إحصائياً.

ينطوي الحذف بالقائمة على مفارقة منهجية ملفتة؛ إذ يوفر ظاهرياً البساطة والسهولة المطلقة ويجنب الباحث التعقيد الحسابي، غير أنه يفرض ضريبة باهظة تتمثل في إمكانية إدخال تحيز منهجي واسع النطاق في معالم المجتمع الإحصائي، مثل تضخيم أو تقليص المتوسطات والانحرافات المعيارية وتزييف معنوية المعاملات الارتباطية والتأثيرات السببية المحتملة بين المتغيرات النفسية، خاصة عندما يكون امتناع الأفراد عن الاستجابة ناتجاً عن سمات نفسية أو أعراض إكلينيكية محددة.

5. التطور التاريخي والمعرفي

يعود التأسيس المنهجي للتعامل مع الفقدان في المعطيات التجريبية إلى بدايات القرن العشرين مع رواد الإحصاء الكلاسيكي الحيوي والزراعي، حيث كانت التجارب المعملية تُصمم داخل بيئات خاضعة لرقابة صارمة، وكان ضياع محصول أو تلف عينة مخبرية يُعامل بوصفه استثناءً نادراً يمكن إسقاطه ببساطة دون الإخلال بالمخطط العام للتجربة.

ومع انتقال المناهج الكمية إلى علوم السلوك وعلم النفس والاجتماع في منتصف القرن العشرين عبر دراسات المسح الميداني والاستخبارات النفسية، واجه الباحثون طوفاناً من البيانات المفقودة الناتجة عن تعقيد السلوك الإنساني. وفي ستينيات وسبعينيات القرن العشرين، ومع ظهور حزم الحوسبة الإحصائية الأولى مثل برمجية SPSS وSAS وBMDP، تم اعتماد الحذف بالقائمة كخيار افتراضي تلقائي لمعالجة غياب القيم نظراً لمحدودية القدرات الحوسبية لذاكرة الحواسيب المركزية في تلك الحقبة، حيث كان تدوير وحساب المصفوفات الرياضية الكاملة يتطلب موارد تقنية أقل كلفة وأكثر سرعة.

شهدت سنة 1976 نقطة تحول مفصلية فارقة في تاريخ المفهوم عندما نشر عالم الإحصاء الشهير دونالد روبين Donald Rubin ورقته المرجعية التأسيسية المعنونة «الاستدلال والبيانات المفقودة» (Inference and Missing Data)، والتي وضع فيها الأساس النظري المتين لتصنيف آليات فقدان البيانات إلى ثلاثة أنماط رئيسية. بينت أعمال روبين بجلاء أن الحذف بالقائمة لا يقدم تقديرات غير متحيزة إلا في ظل شرط واحد شديد الصرامة أطلق عليه روبين لاحقاً نمط «الفقدان العشوائي تماماً» (MCAR). ومنذ أواخر الثمانينيات وحتى مطلع الألفية الثالثة، تسارعت الانتقادات الموجهة للاستخدام الأعمى للحذف بالقائمة مع صدور مؤلفات كبرى مثل كتاب ليتل وروبين (Little & Rubin, 1987) حول التحليل الإحصائي مع البيانات المفقودة، وتوصيات فرقة عمل جمعية علم النفس الأمريكية (APA Task Force on Statistical Inference) المنشورة عام 1999، والتي حذرت صراحة من الاستمرار في الاعتماد العشوائي على الحذف بالقائمة دون تدقيق وفحص علمي رصين.

6. الأسس النظرية والرياضية

تستند الكفاءة الرياضية للحذف بالقائمة إلى نظرية الاحتمالات ونماذج الفقدان الإحصائي التي صاغها روبين. لفهم الأساس الرياضي، نفترض أن لدينا مصفوفة بيانات كاملة يُرمز لها بالرمز $Y$، وتتألف من جزأين: الجزء الملاحظ $Y_{obs}$ والجزء المفقود $Y_{mis}$. كما نعرّف مصفوفة مؤشرات الفقدان الثنائية $R$، حيث تأخذ القيمة (1) إذا كانت القيمة ملحوظة، والقيمة (0) إذا كانت القيمة مفقودة.

تتحدد سلامة الحذف بالقائمة وفق ثلاثة نماذج نظرية لآليات الفقدان:

• الفقدان العشوائي تماماً (Missing Completely at Random – MCAR): يتحقق هذا الشرط رياضياً عندما يكون احتمال الفقدان مستقلاً تماماً عن كل من البيانات الملاحظة والبيانات المفقودة، أي أن: $P(R | Y_{obs}, Y_{mis}, \phi) = P(R | \phi)$، حيث تمثل $phi$ معالم نموذج الفقدان. في هذه الحالة الرياضية الحصرية، تُمثل العينة المحتفظ بها (الحالات الكاملة) عينة عشوائية بسيطة ومصغرة من المجتمع الأصلي؛ وتكون التقديرات الناتجة عن الحذف بالقائمة غير متحيزة، على الرغم من فقدان الكفاءة الإحصائية واتساع فترات الثقة الناتجة عن انخفاض $N$.
• الفقدان العشوائي (Missing at Random – MAR): يحدث عندما يعتمد احتمال الفقدان على البيانات الملاحظة، ولكنه مستقل تماماً عن القيم المفقودة ذاتها بعد ضبط المتغيرات الملاحظة، أي: $P(R | Y_{obs}, Y_{mis}, \phi) = P(R | Y_{obs}, \phi)$. وفي هذه الحالة، يؤدي تطبيق الحذف بالقائمة رياضياً إلى تحيز مؤكد في تقديرات المتوسطات والمعاملات؛ لأن الحالات المحذوفة تختلف منهجياً عن الحالات المتبقية في خصائص قابلة للقياس تم إغفالها.
• الفقدان غير العشوائي (Missing Not at Random – MNAR): يحدث عندما يعتمد احتمال الفقدان على القيم الحقيقية غير الملاحظة للمتغير المفقود نفسه، أي: $P(R | Y_{obs}, Y_{mis}, \phi)$ تعتمد اعتماداً مباشراً على $Y_{mis}$. وفي هذا النمط، ينهار الحذف بالقائمة تماماً وينتج تحيزات هيكلية فادحة تشوه التوزيع التكراري الأصلي للمتغيرات.

تؤكد النظريات السيكومترية أن البيانات النفسية نادراً ما تتبع نموذج (MCAR) بدقة؛ نظراً لأن سلوك الفرد في الامتناع عن الإجابة على فقرات مقاييس الاكتئاب أو القلق أو السلوك الانحرافي يرتبط عادة بشدتها أو بمتغيرات ديموغرافية ومعرفية كامنة، مما يجعل افتراضات الحذف بالقائمة الرياضية غير محققة في الغالبية الساحقة من التطبيقات الميدانية.

7. المكونات، والأنماط، والأبعاد

يتضمن الإطار المنهجي للحذف بالقائمة أبعاداً هيكلية وتأثيرات نوعية يمكن تصنيفها على النحو التالي:

• آلية الاختزال البنيوي: وتشير إلى الخوارزمية التي تتفحص السجلات عبر المتغيرات؛ فإذا كانت المصفوفة مكونة من $N$ صفاً و$P$ عموداً، فإن الخوارزمية تستبعد أي صف $i$ يحتوي على قيمة فارغة في المتغير $j$ (حيث $j in {1, 2, …, P}$).
• معدل الفقدان المتراكم (Cumulative Attrition Rate): وهو البعد الذي يعبر عن التناقص المطرد في حجم العينة كلما زاد عدد المتغيرات؛ فإذا كان الفقدان في كل متغير مستقلاً بنسبة 5% فقط عبر 10 متغيرات، فإن الحجم الإجمالي المتبقي قد يهبط إلى قرابة $(0.95)^{10} pprox 60%$ من العينة الكلية الأصلية.
• النمط أحادي البعد مقابل متعدد الأبعاد: يتحدد نمط الفقدان إما بكونه فقداناً أحادياً (Monotone Missing Pattern) يظهر عادة في الدراسات التتبعية الطولية عند انسحاب المشاركين تدريجياً، أو فقداناً عشوائياً متقطعاً (Arbitrary/Intermittent Pattern) حيث تتناثر القيم المفقودة عشوائياً بين المفحوصين والمتغيرات.
• تأثير الفاعلية والكفاءة الرياضية (Statistical Efficiency): يقاس هذا البعد بنسبة التباين المقدر للمعالم باستخدام الحالات الكاملة مقارنة بالتباين النظري الممكن الحصول عليه لو عولجت البيانات المفقودة بأساليب التعويض المتقدمة.

8. أمثلة وحالات تطبيقية

لتوضيح المفهوم بصورة عيانية، نستعرض حالتين تطبيقيتين من واقع البحوث النفسية الميدانية والتتبعية:

الحالة الأولى: دراسة مسحية للاحتراق النفسي والرضا الوظيفي: قام باحث نفسي بتطبيق استبيان يتألف من أربعة مقاييس رئيسية: الضغط المهني، الرضا الوظيفي، الالتزام التنظيمي، والاكتئاب الخفيف، على عينة قوامها 500 معلم ومعلمة. أثناء فحص البيانات، وُجد أن 30 معلماً لم يجيبوا عن فقرة الدخل المالي، و40 معلماً تركوا فقرة تتعلق بالصراع مع الإدارة دون إجابة، و25 معلماً لم يكملوا مقياس الاكتئاب بسبب حساسية الأسئلة. عند تفعيل خيار الحذف بالقائمة لإجراء تحليل انحدار متعدد للتنبؤ بالرضا الوظيفي، انخفضت العينة تلقائياً من 500 إلى 340 معلماً فقط؛ أي تم إهدار 32% من حجم العينة الكلي. وتبين لاحقاً أن المعلمين الذين عانوا من أعلى مستويات الاحتراق النفسي والاكتئاب هم الفئة التي امتنعت تحديداً عن إكمال بنود الإدارة والاكتئاب؛ وبالتالي أسفر الحذف بالقائمة عن عينة مبتورة تضم فقط المعلمين الأكثر تكيفاً ورضا، مما أظهر صورة وهمية ومضللة تشير إلى انخفاض معدلات الاحتراق النفسي بين المعلمين في المجتمع الأصلي.

الحالة الثانية: دراسة تتبعية للنمو المعرفي لدى كبار السن: أجرى فريق بحثي دراسة طولية امتدت لخمس سنوات لمتابعة التدهور المعرفي لدى عينة من 300 مسن، حيث خضع المشاركون لاختبارات دورية سنوية في الذاكرة والوظائف التنفيذية. خلال مراحل المتابعة، توفي بعض المشاركين أو أقعدهم المرض الشديد عن الحضور إلى المختبر في العامين الرابع والخامس. إذا طبق الباحثون الحذف بالقائمة لقياس مسار التغير المعرفي، فسيتم شطب أي مسن تغيب عن جلسة تقييم واحدة؛ مما يترك العينة مقتصرة حصرياً على المسنين الذين تمتعوا بصحة جيدة واستقرار معرفي طوال السنوات الخمس. يؤدي هذا الاستبعاد إلى ظاهرة تحيز البقاء (Survivorship Bias)، حيث يظهر التدهور المعرفي طفيفاً جداً أو غير دال إحصائياً، في حين أن الواقع الميداني الفعلي يثبت تسارع التدهور لدى الفئات التي أُسقطت من التحليل.

9. القياس، والتقييم، والتشخيص الإحصائي

قبل اتخاذ قرار اللجوء إلى الحذف بالقائمة أو رفضه، يجب على الباحث إجراء تقييم سيكومتري وإحصائي صارم لطبيعة ونمط البيانات المفقودة. تتضمن إجراءات الفحص والتشخيص الخطوات التالية:

1. اختبار ليتل للفقدان العشوائي تماماً (Little’s MCAR Test): يعد الاختبار الإحصائي الأكثر شهرة واستخداماً لاختبار فرضية أن البيانات مفقودة بصورة عشوائية كلياً. يختبر هذا الإجراء الفرضية الصفرية القائلة بأن مصفوفة الاستجابات المفقودة تتبع نمط MCAR عبر مقارنة الفروق بين متوسطات الأنماط المختلفة للبيانات المفقودة باستخدام توزيع مربع كاي ($\chi^2$). إذا كانت القيمة الاحتمالية للاختبار دالة إحصائياً ($p < 0.05$)، فإن الفرضية الصفرية تُرفض، مما يعني دليلاً قاطعاً على أن البيانات لا تتبع نمط الفقدان العشوائي التام، وبالتالي يصبح تطبيق الحذف بالقائمة خياراً محظوراً ومعيباً منهجياً يؤدي بالضرورة إلى تحيز التقديرات.

2. تحليل مقارنة المجموعات الثنائية (Dummy Variable Coding): ينشئ الباحث متغيراً وهمياً ثنائياً لكل متغير يعاني من الفقدان (حيث 0 = مفقود، 1 = ملاحظ)، ثم يجري اختبارات «ت» للمجموعات المستقلة أو تحليلات الانحدار اللوجستي لاختبار ما إذا كان احتمال الفقدان يتنبأ به متغير ديموغرافي أو نفسي آخر في الدراسة (مثل العمر، الجنس، مستوى القلق). فإذا وُجد ارتباط دال، يتأكد أن النمط هو على الأقل (MAR) وليس (MCAR).

3. تحليل أنماط الفقدان البصرية (Missing Data Patterns Visualization): فحص الخرائط الحرارية والمخططات البيانية التي توضح تراكب القيم الناقصة عبر المتغيرات لتقدير النسبة المئوية الصافية للحالات المكتملة المتوقع بقاؤها بعد الحذف بالقائمة ومقارنتها بالحجم الأصلي المطلوب لتحقيق القوة الإحصائية المستهدفة ($1 – eta ge 0.80$).

10. التطبيقات الميدانية والأهمية العملية

على الرغم من الانتقادات الشديدة، يظل الحذف بالقائمة أسلوباً ذا حضور عملي في سياقات وتطبيقات محددة، شريطة التقيد بالضوابط المنهجية المعيارية:

• الدراسات الاستطلاعية والمقاييس السيكومترية الأولية: في المراحل التمهيدية لتقنين وبناء المقاييس النفسية، عندما تكون العينة الاستطلاعية ضخمة جداً ونسبة الفقدان ضئيلة للغاية (أقل من 2% إلى 3%)، وثبت تحقق شرط MCAR، يمكن استخدام الحذف بالقائمة لتنقية البيانات الأولية بسرعة دون إدخال تعقيدات رياضية إضافية.
• التجارب المعملية المحكمة سيكوفيزيولوجياً: في أبحاث علم النفس العصبي والقياس السيكوفيزيولوجي (مثل دراسات الرنين المغناطيسي الوظيفي أو تخطيط أمواج الدماغ EEG)، عند حدوث خلل تقني مفاجئ أدى إلى انقطاع التسجيل لجزء من الثانية على نحو عشوائي غير مرتبط بحالة المفحوص العقلية، قد يكون حذف هذه المحاولة التجريبية بالكامل مبرراً علمياً.
• المقارنة المعيارية للنماذج (Sensitivity Analysis): في الممارسات البحثية الرصينة، يُوظف الحذف بالقائمة كنموذج للمقارنة؛ حيث يُجري الباحث تحليلاته باستخدام الأساليب الحديثة كالتعويض المتعدد (Multiple Imputation) ثم يعيد تشغيلها عبر الحذف بالقائمة، للتحقق مما إذا كانت الاستنتاجات العلمية الجوهرية تتغير بتغير طريقة معالجة البيانات الناقصة (تحليل الحساسية).

11. الأبحاث والأدلة الإمبراطورية

أكدت الأدبيات التجريبية والمحاكاة الحاسوبية (Monte Carlo Simulations) عبر عقود متتالية المخاطر الجسيمة المرتبطة بالحذف بالقائمة مقارنة بالأساليب الحديثة. أجرى الإحصائي النفسي الشهير غراهام وزملاؤه John W. Graham سلسلة من دراسات المحاكاة واسعة النطاق المنشورة بين عامي 1996 و2007، والتي أظهرت بوضوح أن الحذف بالقائمة يتسبب في تقليص حاد للقوة الإحصائية (Statistical Power)؛ مما يؤدي إلى زيادة أخطاء النوع الثاني (Type II Error)، أي الفشل في اكتشاف فروق أو علاقات نفسية قائمة وحقيقية في المجتمع المدروس.

وفي مراجعة منهجية بارزة قادها إندرز Craig Enders عام 2010 في كتابه المرجعي الشهير «Applied Missing Data Analysis»، استعرض الأدلة الإمبراطورية التي تبين أن الحذف بالقائمة يولد تحيزاً منهجياً كبيراً في تقدير معاملات المسار ومؤشرات المطابقة في نمذجة المعادلة البنائية (Structural Equation Modeling – SEM) بمجرد انحراف نمط البيانات قيد أنملة عن شرط الفقدان العشوائي التام (MCAR). وقد أثبتت الدراسات المقارنة أن أسلوب التقدير الأرجحي الأعظمي ذي المعلومات الكاملة (Full Information Maximum Likelihood – FIML) والتعويض المتعدد يتفوقان إمبراطورياً بصورة مطلقة على الحذف بالقائمة في الحفاظ على سلامة العينة وحجم التأثير والتقليل من تباين الخطأ المعياري.

12. الاعتبارات الثقافية والعابرة للثقافات

تكتسب مشكلة البيانات المفقودة وكيفية التعامل معها أبعاداً بالغة الحساسية والتعقيد عند إجراء البحوث والدراسات النفسية العابرة للثقافات والمقارنة بين المجتمعات:

1. التباين في الوصمة الاجتماعية والحساسية النفسية: تختلف الموضوعات ذات الحساسية الثقافية من مجتمع لآخر؛ ففي بعض الثقافات الشرقية والمحافظة، قد تشهد الاستجابات على فقرات تتعلق بالجنسانية، أو الخلافات الأسرية، أو تعاطي المواد، أو الإلحاد، أو المشاعر السلبية الحادة معدلات رفض وامتناع مرتفعة للغاية مقارنة بالثقافات الغربية الفردانية. وإذا استخدم الباحث الحذف بالقائمة في دراسة مقارنة بين عينة عربية وأخرى أوروبية، فسيؤدي ذلك إلى حذف فئات عريضة من العينة العربية تعبر عن نمط مجتمعي محدد، مما يشوه المقارنة السيكومترية ويعطي انطباعاً زائفاً بعدم وجود مشكلات أسرية أو اكتئاب في تلك البيئة.

2. تأثير النزعة إلى التوافق الاجتماعي (Social Desirability): يميل الأفراد في الثقافات الجمعية إلى ترك الأسئلة التي قد تظهرهم بصورة سلبية فارغة بدلاً من الاعتراف بسلوك غير مقبول اجتماعياً. تطبيق الحذف بالقائمة في هذه السياقات يستبعد بانتظام الأفراد غير المتوافقين مع معايير الجماعة، مما يحرم الباحث من رصد التباين النفسي الحقيقي داخل السياق الثقافي المحلي.

3. الممارسات اللغوية والترجمة: عند تطبيق مقاييس مترجمة، قد تتسبب الصياغات المبهمة أو المصطلحات غير الدقيقة لغوياً في إحجام المستجيبين عن الإجابة على بعض البنود. الحذف بالقائمة في مثل هذه الحالات يعاقب المشارك ويحذف استجابته كلياً بدلاً من تنبيه الباحث إلى الخلل السيكومتري في ترجمة تلك الفقرة المحددة.

13. الانتقادات، والجدل الأكاديمي، والمآخذ المنهجية

يواجه أسلوب الحذف بالقائمة انتقادات علمية لاذعة من مجاميع التحكيم السيكومتري وهيئات تحرير المجلات العلمية الرصينة، وتتمحور أبرز المآخذ حول النقاط الآتية:

• الهدر المعلوماتي الجسيم: إسقاط مشارك يمتلك 95% من درجات الاختبارات النفسية بسبب فقرة واحدة غير مجابة يمثل هدراً فادحاً للجهد البشري، والوقت الميداني، والتمويل المالي المخصص لجمع البيانات.
• عدم واقعية فرضية الفقدان العشوائي التام (MCAR): يُجمع خبراء القياس السيكولوجي على أن غياب الاستجابة في البحوث الإنسانية هو في حد ذاته سلوك نفسي يحمل معنى إحصائياً، ونادراً جداً ما يحدث بصورة عشوائية كلياً ومطلقة، مما يجعل الاعتماد على هذا الافتراض ضرباً من الوهم المنهجي.
• تقويض تمثيلية العينة (Sample Representativeness): يؤدي الحذف التراكمي للحالات إلى تحويل العينة تدريجياً إلى فئة نخبوية تتميز بدرجات عالية من الالتزام، والمستوى التعليمي المرتفع، والاستقرار النفسي؛ مما يقضي على تنوع العينة ويسلبها القدرة على التعميم على المجتمع النفسي الفعلي.
• التضارب التلقائي في البرمجيات الإحصائية: عند إجراء تحليلات متعددة على نفس العينة، تتغير أحجام العينة المحللة في كل معادلة انحدار بناءً على المتغيرات المدرجة فيها، مما يمنع الباحث من المقارنة المباشرة والدقيقة بين جودة النماذج التنبئية لاختلاف العينات الفرعية المحللة.

14. المصطلحات ذات الصلة والفروق الجوهرية

تتكامل وتتقاطع في أدبيات القياس النفسي والإحصائي عدة مفاهيم ومصطلحات لمعالجة الفقدان، وتتمايز عن الحذف بالقائمة على النحو الآتي:

• الحذف الزوجي (Pairwise Deletion / Available-Case Analysis): يقوم هذا الإجراء بحذف الحالة فقط إذا كانت القيمة مفقودة في أحد المتغيرين الداخلين في حساب معامل ارتباط محدد، مع الإبقاء على الحالة في بقية التحليلات التي تتوفر لها بيانات. الفرق الجوهري هو أن الحذف الزوجي يستغل بيانات أكثر، لكنه ينتج مصفوفات ارتباط شاذة رياضياً ومستحيلة الحدوث في الواقع (Non-positive definite matrices) نتيجة اختلاف أحجام العينات لكل زوج من المتغيرات.
• التعويض بالمتوسط (Mean Imputation): أسلوب تقليدي يقوم على استبدال القيمة المفقودة بالمتوسط الحسابي للقيم الملاحظة لنفس المتغير. الفرق هو أن الحذف بالقائمة لا يختلق بيانات مصطنعة، بينما التعويض بالمتوسط يحافظ على حجم العينة الأصلي لكنه يقلص التباين بشكل مضلل ويضخم معاملات الارتباط الوهمية.
• التعويض المتعدد (Multiple Imputation – MI): أسلوب إحصائي متقدم يعتمد على إنشاء عدة نسخ مكتملة من مصفوفة البيانات (عادة بين 5 و20 نسخة) باستخدام خوارزميات محاكاة تدمج عنصر الخطأ العشوائي، ثم تُحلل كل نسخة وتُدمج نتائجها وفق قواعد روبين. يتفوق التعويض المتعدد على الحذف بالقائمة في استغلال كافة المعلومات المتاحة وحساب عدم اليقين المرتبط بالفقدان، وفعاليته تحت شروط (MAR).
• التقدير الأرجحي الأعظمي ذو المعلومات الكاملة (FIML): خوارزمية نمذجة بنائية تحسب مصفوفة الأرجحية العظمى مباشرة لكل حالة بناءً على المتغيرات المتوفرة لها فقط دون استبعاد الحالة ودون تعويض القيم المفقودة صراحة. يعد البديل المعياري المفضل والموصى به عالمياً كبديل جذري للحذف بالقائمة في نماذج التحليل العاملي والمسار.

15. الخلاصة والاستنتاجات الجوهرية

يخلص هذا التأصيل المعرفي إلى أن أسلوب الحذف بالقائمة يمثل حلاً تاريخياً سريعاً وسهل التطبيق، لكنه يحمل مخاطر إحصائية ومنهجية بالغة الخطورة تجعله في أغلب الأحيان خياراً غير ملائم للدراسات النفسية والسلوكية الرصينة. لا تقتصر أضرار هذا الإجراء على الانخفاض الحاد في حجم العينة وما يتبعه من تدهور في القوة الإحصائية اللازمة لاكتشاف الفروق والتأثيرات الخفية فحسب، بل تمتد لتطال الصدق الداخلي والخارجي للبحث وتحدث تحيزات بنيوية في تقديرات المعالم النفسية ما لم يتحقق الشرط الصارم للفقدان العشوائي التام.

ومع التقدم الهائل في خوارزميات البرمجيات الإحصائية الحديثة وتوافر قدرات حوسبية متطورة، أضحى لزاماً على الباحث السيكولوجي المعاصر التخلي عن الاعتماد الآلي على الخيارات الافتراضية للبرامج، والتحول الجاد نحو فحص آليات فقدان البيانات بدقة، وتبني الاستراتيجيات الإحصائية المتقدمة ذات الكفاءة العالية مثل خوارزمية التقدير الأرجحي الأعظمي ذي المعلومات الكاملة والتعويض المتعدد؛ ضماناً للوصول إلى استنتاجات سيكومترية دقيقة وقابلة للتعميم ومحققة لأعلى معايير الرصانة العلمية العالمية.

المراجع

• Enders, C. K. (2010). Applied missing data analysis. Guilford Press. https://www.guilford.com/books/Applied-Missing-Data-Analysis/Craig-Enders/9781606236390
• Graham, J. W. (2009). Missing data analysis: Making it work in the real world. Annual Review of Psychology, 60, 549-576. https://doi.org/10.1146/annurev.psych.58.110405.085530
• Little, R. J. A., & Rubin, D. B. (2019). Statistical analysis with missing data (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119482864
• Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3), 581-592. https://doi.org/10.1093/biomet/63.3.581
• Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147-177. https://doi.org/10.1037/1082-989X.7.2.147