الفقدان العشوائي للبيانات: ركيزة النمذجة النفسية

تُعد معضلة البيانات المفقودة واحدة من أعقد التحديات المنهجية والإحصائية التي تواجه الباحثين في ميادين علم النفس والقياس النفسي الحديث؛ إذ نادراً ما تكتمل مجموعات البيانات السلوكية دون تسرب أو امتناع من المشاركين. ويمثل مفهوم الفقدان العشوائي للبيانات، المعروف اختصاراً بـ (MAR – Missing at Random)، حجر الزاوية الرياضي والنظري الذي يستند إليه علماء النفس المعاصرون لتبرير استخدام تقنيات النمذجة المتقدمة ومعالجة التسرب البحثي دون الوقوع في شراك التحيز المنهجي. إن فهم الآليات العميقة التي تحكم هذا المفهوم لا يقتصر على كونه مهارة تقنية بحتة، بل يمثل شرطاً إبستمولوجياً لضمان مصداقية الاستنتاجات الإكلينيكية والتربوية والتجريبية المستخلصة من العينات الإنسانية المعقدة.

الفقدان العشوائي للبيانات (Missing at Random – MAR)

1. التعريف الموجز

يُعرَّف الفقدان العشوائي للبيانات (Missing at Random – MAR) في أدبيات القياس النفسي والإحصاء السلوكي بأنه حالة أو آلية احتمالية يكون فيها احتمال فقدان قيمة معينة لمتغير ما غير مرتبط بالقيمة المفقودة ذاتها، شريطة ضبط والتحكم في المتغيرات المقاسة أو الملاحظة الأخرى في نموذج الدراسة. وبصيغة أبسط، فإن احتمالية حدوث النقص في درجات الاختبار أو الاستبيان تكون مشروطة كلياً بالمعلومات المتاحة بالفعل لدى الباحث، ولا تعتمد على السلوك النفسي غير المرصود أو الدرجة الخفية التي كان المفحوص سيدلي بها لو أتم التقييم.

ويمتد المعنى الجوهري لمفهوم MAR ليمثل افتراضاً تأسيسياً حاسماً لا غنى عنه في النمذجة الرياضية الحديثة، مثل نمذجة المعادلات الهيكلية ونماذج النمو الخطي؛ إذ يتيح للباحثين افتراض إمكانية استنتاج الطبيعة الاحتمالية للقيم المفقودة استناداً إلى شبكة الارتباطات القائمة بين البيانات المرصودة. وعلى خلاف ما قد يوحي به الاسم الشائع للمتلقي غير المتخصص، فإن الفقدان هنا ليس عشوائياً بالمعنى العام للكلمة، بل هو عشوائي “بصورة مشروطة”، مما يعني أن الباحث يستطيع تفسير نمط الفقدان والتنبؤ به بالكامل من واقع السجلات والمتغيرات النفسية المجمعة في الدراسة.

2. التأصيل والاشتقاق اللغوي

يعود الأصل اللغوي والاصطلاحي لتعبير “Missing at Random” إلى المعجم الرياضي الإحصائي الإنجليزي المعاصر، وقد صاغه رسمياً عالم الإحصاء الشهير دونالد روبين (Donald B. Rubin) في ورقته العلمية التأسيسية المنشورة عام 1976 بعنوان “Inference and Missing Data” في مجلة Biometrika. وقد دخل المصطلح إلى حقل علم النفس والقياس السلوكي عبر جهود رواد القياس الكمي الذين نقلوا نظريات روبين لتفسير ظواهر التسرب (Attrition) في التجارب الإكلينيكية والدراسات الطولية واستبيانات التقرير الذاتي.

وفي اللسان العربي، يُترجم المصطلح إلى “الفقدان العشوائي للبيانات” أو “البيانات المفقودة عشوائياً”؛ حيث تشير كلمة “فقدان” إلى غياب الاستجابة أو النقص في مصفوفة القياس، بينما تُقيد كلمة “العشوائي” بكون النقص محكوماً بقوانين الاحتمالات المستقلة عن القيمة الذاتية الغائبة بمجرد الإحاطة بالمعلومات المسجلة. ومن الملاحظ في الأدبيات المنهجية أن العديد من المنهجيين، مثل جون غراهام (John W. Graham)، أشاروا إلى أن التسمية الإنجليزية التي اختارها روبين قد تسبب التباساً مفاهيمياً؛ إذ كان الأدق تسميتها “الفقدان العشوائي المشروط” (Conditionally Missing at Random)، إلا أن الاختصار MAR استقر في المراجع الدولية والعربية المتخصصة.

3. الشكل النحوي والاستخدام الاصطلاحي

يُصنف مصطلح “الفقدان العشوائي” في اللغة العربية كمركب إضافي ونعتي؛ حيث يأتي “الفقدان” اسماً مجرداً وهو مصدر الفعل (فَقَدَ)، ويأتي “العشوائي” نعتاً له منسوباً إلى العشوائية، ويُضاف إليهما شبه الجملة “للبيانات” لتحديد المجال الموضوعي. ويُستخدم المصطلح في السياقات الأكاديمية كاسم دال على آلية إحصائية (Mechanism) أو فرضية عمل (Assumption) لا غنى عنها في المعالجات البَعدية للبيانات المجمعة في البحوث النفسية.

ومن الناحية الصرفية والاصطلاحية، يُعامل التعبير في الأبحاث بوصفه مفرداً مذكراً؛ فيُقال: “تم التحقق من افتراض الفقدان العشوائي”، أو “يُعد الفقدان العشوائي شرطاً أساسياً لتقدير الأرجحية العظمى”. ويُستعمل الاختصار اللاتيني المنحوت (MAR) عالمياً بين أقواس إلى جانب الترجمة العربية لتسهيل المتابعة الببليوغرافية ومقارنة النتائج مع البرمجيات الإحصائية المتقدمة مثل Mplus وR وSPSS وAmos التي تعتمد هذا الترميز في خوارزمياتها.

4. الشرح المفاهيمي التفصيلي

يرتكز الإطار المفهومي لآلية الفقدان العشوائي للبيانات (MAR) على صياغة رياضية صريحة تحكم مصفوفات البيانات النفسية. لنفترض أن لدينا مصفوفة بيانات كاملة يُرمز لها بالرمز Y، وتتكون من جزأين رئيسيين: الجزء الملاحظ والمقاس فعلياً ويرمز له بـ Y_obs، والجزء المفقود الغائب ويرمز له بـ Y_miss. كما نفترض وجود مصفوفة ثنائية مؤشرة R تحدد ما إذا كانت كل نقطة بيانات ملاحظة (R=1) أو مفقودة (R=0). ويتحقق شرط MAR رياضياً عندما تتساوى دالة التوزيع الاحتمالي للفقدان المشروطة بكامل البيانات مع دالة التوزيع المشروطة بالبيانات الملاحظة وحدها، أي بالصيغة الرياضية: P(R | Y_obs, Y_miss) = P(R | Y_obs).

ويعني هذا التوصيف الرياضي الدقيق أنه بمجرد أن يأخذ المحلل الإحصائي في الحسبان جميع المتغيرات التي رُصدت وسُجلت في التجربة أو المسح السلوكي (مثل العمر، والمستوى التعليمي، وتاريخ الاكتئاب السابق، والدرجة على مقياس القلق القبلي)، فإن احتمالية غياب الإجابة عن مقياس لاحق (مثل مقياس جودة الحياة أو الاستجابة لعلاج معرفي) لن تعتمد إطلاقاً على الدرجة الفعلية التي كان سيحصل عليها الفرد على ذلك المقياس الأخير لو أنه أجاب عليه. وبذلك تنفصل احتمالية الغياب عن قيمة المتغير الغائب نفسه وتصبح تابعة لشبكة المعلومات المجمعة في Y_obs.

ولفهم الحدود الفاصلة لهذا المفهوم، يجب تمييزه بوضوح عن الآليتين الأخريين اللتين وضعهما روبين؛ فالآلية الأولى هي الفقدان العشوائي التام (Missing Completely at Random – MCAR)، والتي تفترض أن احتمال الفقدان لا يعتمد مطلقاً على البيانات الملاحظة ولا على البيانات المفقودة، أي كأن قطرات مطر تساقطت عشوائياً على استمارات ورقية فمحت بعض الإجابات بأسلوب غير نمطي. والآلية الثالثة هي الفقدان غير العشوائي (Missing Not at Random – MNAR)، وتحدث عندما يكون سبب الفقدان مرتبطاً بالقيمة المفقودة ذاتها؛ كأن يمتنع الأفراد الأكثر اكتئاباً أو الأكثر إدماناً عن الحضور لجلسة التقييم تحديداً بسبب حدة أعراضهم الخفية التي لم ترصد.

ويحتل مفهوم MAR منزلة وسطى شديدة الخصوصية في المنهجية النفسية؛ فهو يقر بأن الفقدان تحركه عوامل وظروف منهجية ونفسية وسياقية وليست صدفة محضة، لكنه في الوقت ذاته يؤكد أن تلك العوامل قد تم توثيقها وقياسها في متغيرات مساعدة أو تنبؤية داخل الدراسة. هذه الخاصية تجعل الفقدان من النوع القابل للتجاهل (Ignorable Missingness) في إطار أساليب معينة، بمعنى أن الباحث ليس مضطراً إلى بناء نموذج احتمالي صريح ومعقد لآلية الفقدان ذاتها، بل يكفيه تضمين المتغيرات التفسيرية في نموذج التحليل الرئيسي للوصول إلى تقديرات معلمية غير متحيزة.

5. التطور التاريخي والمسار العلمي

شهد التاريخ الإحصائي والقياسي للبيانات المفقودة تحولات جذرية على مدار العقود الخمسة الماضية. فقبل منتصف سبعينيات القرن العشرين، كانت الممارسة السائدة في أقسام علم النفس والعلوم الاجتماعية تقوم على استخدام حلول بدائية وبسيطة؛ مثل حذف الحالات التي تحتوي على أي قيمة ناقصة (Listwise Deletion)، أو الحذف الزوجي (Pairwise Deletion)، أو التعويض بمتوسط الدرجات (Mean Imputation). وكانت هذه الطرق التقليدية، رغم سهولتها الحسابية، تؤدي إلى تقليص هائل في حجم العينات الإحصائية وتنتج معاملات ارتباط وانحدار شديدة التحيز ومحرفة للواقع السيكولوجي.

جاءت نقطة التحول التاريخية الفارقة عام 1976 مع نشر دونالد روبين لورقته البحثية التي أعادت تعريف علم البيانات الناقصة بالكامل؛ حيث صاغ التصنيف الثلاثي الشهير (MCAR, MAR, MNAR) وبرهن رياضياً على شروط قابلية التجاهل الإحصائي للبيانات الناقصة في ظل التقدير القائم على الأرجحية. وفي أواخر الثمانينيات، واصل روبين رفقة زملاء مثل رودريك ليتل (Roderick J. Little) تطوير هذه المنظومة الرياضية عبر كتابهما التأسيسي “Statistical Analysis with Missing Data” الصادر عام 1987، والذي وضع المعايير الحديثة لتحليل الاستجابات الجزئية في القياس النفسي.

ومع مطلع التسعينيات والقرن الحادي والعشرين، أحدث علماء النفس الكمي ثورة موازية بقيادة باحثين مثل ليف أندرس (Craig K. Enders) وجون غراهام وجوزيف شافر (Joseph L. Schafer)؛ حيث كرس هؤلاء العلماء جهودهم لترجمة معادلات روبين المجردة إلى تطبيقات عملية في علم النفس الإكلينيكي والنمائي، مستفيدين من قفزات القوة الحاسوبية. ونتيجة لتلك الجهود المنهجية المكثفة، تبنت جمعية علم النفس الأمريكية (APA) ومنظمات القياس التربوي توصيات صارمة تمنع استخدام الحذف التقليدي للحالات الناقصة، وتلزم الباحثين بالتعامل مع البيانات وفق افتراض MAR باستخدام الحلول الحديثة المدعومة برمجياً.

6. الأسس النظرية والأطر الفكرية

تستند آلية MAR إلى خلفية نظرية صلبة مستمدة من النظرية الاحتمالية البايزية (Bayesian Probability Theory) ونظرية المعلومات وتقدير الأرجحية القصوى (Maximum Likelihood Estimation). في الإطار الإبستمولوجي البايزي، يُنظر إلى البيانات المفقودة لا كفجوات ميتة ينبغي استبعادها، بل كمتغيرات عشوائية كامنة غير مقاسة تتميز بتوزيع احتمالي خلفي يمكن تقديره بالاعتماد على التوزيع القبلي والمعلومات المرصودة بالفعل من المفحوصين المشابهين.

ويقوم الإطار النظري الثاني على مفهوم قابلية تجاهل آلية الفقدان (Ignorability Framework)؛ حيث يشترط روبين أمرين لتحقيق هذه القابلية: أولهما أن تكون البيانات مفقودة وفق آلية MAR أو MCAR، وثانيهما تمايز المعلمات (Distinctness of Parameters)، أي ألا تكون هناك معلمات مشتركة تقيد بصورة متزامنة كلاً من نموذج استجابة المفحوص ونموذج تغيبه عن الاستجابة. وحين يتحقق هذان الشرطان، يمكن استخدام دالة الأرجحية الجزئية للمتغيرات الملاحظة لتقدير معالم المجتمع بدقة رياضية تامة دون الحاجة لنمذجة سلوك الغياب بصورة مستقلة.

كما يتداخل المفهوم بعمق مع نظرية السمات الكامنة (Item Response Theory – IRT) في القياس النفسي التربوي. ففي الاختبارات التكيفية المحوسبة (Computerized Adaptive Testing)، يتم تخطي أسئلة معينة عمداً استناداً إلى مستوى قدرة الطالب الظاهرة في الأسئلة السابقة؛ وتعد هذه الأسئلة التي لم يختبرها المفحوص مفقودة وفق آلية MAR تماماً، نظراً لأن سبب عدم تقديمها للطالب يعتمد حصراً على استجاباته المسجلة السابقة، مما يتيح للنماذج القياسية تقدير قدرته الفعلية (Theta) دون أي تحيز في الدرجة المعيارية.

7. المكونات الرئيسية والأبعاد التصنيفية

يتشكل مفهوم الفقدان العشوائي للبيانات من عدة أبعاد بنيوية وتصنيفية تسهم في تحديد كيفية معالجته تحليلياً في الدراسات السيكولوجية:

• المتغيرات المساعدة (Auxiliary Variables): هي متغيرات يتم جمعها في سياق البحث النفسي ولكنها لا تمثل جوهر الفرضيات النظرية الأساسية، وإنما تُدرج في مصفوفة النمذجة بهدف تشبع افتراض MAR؛ حيث ترتبط تلك المتغيرات بنمط الفقدان أو بالمتغير غير المكتمل، مما يجعل شرط الفقدان العشوائي المشروط أكثر متانة وقابلية للتطبيق الإحصائي.
• أنماط الفقدان (Missingness Patterns): تتنوع الأنماط الهيكلية للفقدان وفق آلية MAR؛ فإما أن تكون أنماطاً وحيدة الاتجاه (Monotone Missingness)، وتظهر بوضوح في الدراسات الطولية السلوكية حين ينسحب المفحوص ولا يعود للمتابعة أبداً، أو أنماطاً عشوائية عامة (Arbitrary / Non-monotone)، حيث يفوت المفحوص بعض بنود مقياس الشخصية في موجة معينة ثم يعود للإجابة عنها في التقييم اللاحق.
• درجة التشبع المشروط (Conditionality Level): يعبر هذا البعد عن حجم المعلومات المشتركة بين المتغيرات المرصودة وآلية الفقدان؛ فكلما ارتفعت معاملات الارتباط بين Y_obs واحتمالية الفقدان، زادت قدرة النموذج على استرجاع التباينات الحقيقية وتقليل أخطاء المعاينة في التقديرات النهائية.
• علاقة الفقدان ببنية الاستجابة النفسية: ينقسم MAR من زاوية طبيعة السلوك إلى فقدان ناتج عن إرهاق التقييم (Testing Fatigue) المرتبط بمتغيرات مسجلة كالزمن أو الطول الإجمالي للبطارية، وفقدان مقصود ناتج عن قواعد التفرع الشرطي في استمارات التشخيص الإكلينيكي المحوسبة.

8. الأمثلة التوضيحية والحالات التطبيقية

لتوضيح مفهوم MAR بمثال تطبيقي من علم النفس الإكلينيكي، لنفترض إجراء دراسة تقييمية لفعالية بروتوكول علاجي للاكتئاب لدى المراهقين على مدار ثلاث موجات زمنية (قبل العلاج، في منتصف البرنامج، وبعد انتهاء التدخل). أظهرت البيانات أن نسبة ملحوظة من المراهقين لم يحضروا الجلسة الأخيرة لتقييم مقياس بيك للاكتئاب (BDI-II). وعند فحص السجلات، تبين أن احتمالية الغياب كانت أعلى بدرجة دالة إحصائياً لدى الذكور مقارنة بالإناث، ولدى أولئك الذين سجلوا درجات قلق مرتفعة في تقييم منتصف البرنامج.

إذا كانت احتمالية التغيب عن تعبئة المقياس الأخير تعتمد بالكامل على الجنس ودرجة القلق المسجلة في النقطة الزمنية السابقة، وليست مدفوعة مباشرة بمدى تحسن أو تدهور درجات الاكتئاب غير المقاسة في الجلسة الأخيرة (بمجرد ضبط الجنس والقلق السابق)، فإن هذه الحالة تصنف مباشرة كفقدان عشوائي (MAR). وهنا، يستطيع الإحصائي النفسي استخدام تقنيات النمذجة لتقدير متوسط درجات العينة الإجمالية بدقة ومصداقية تامة اعتماداً على قيم الجنس والقلق المرصودة.

وفي مثال آخر من علم النفس التنظيمي والمؤسسي، طُبق مقياس للرضا الوظيفي والاحتراق النفسي على موظفي شركة كبرى، وتضمن المقياس قسماً عن معدل الدخل السنوي الإضافي. امتنع العديد من الموظفين عن ذكر دخلهم الإضافي. أظهرت التحليلات أن الامتناع لم يكن عشوائياً مطلقاً، بل كان مرتبطاً بقوة بالدرجة الوظيفية للموظف وسنوات خبرته الموثقة رسمياً في ملفات الموارد البشرية؛ إذ كان كبار المديرين أكثر تحففاً من ذكر الدخل التكميلي. طالما أن الدرجة الوظيفية وسنوات الخدمة مسجلة ومعلومة بالكامل، فإن آلية فقدان متغير الدخل تُعد MAR، مما يمكن الباحث من التعامل مع هذا النقص عبر النماذج التنبؤية القائمة على خصائص الوظيفة.

9. طرق القياس والاختبار والتقييم الإحصائي

من الحقائق الجوهرية التي يقررها علماء القياس النفسي أنه لا يمكن من الناحية الرياضية البحتة اختبار ما إذا كانت البيانات تتبع آلية MAR مقابل آلية MNAR بشكل قاطع وحاسم؛ وذلك لسبب بديهي وهو أن القيم المفقودة غير موجودة في مصفوفة البيانات، ومن ثم يستحيل قياس علاقتها باحتمالية الفقدان بصورة تجريبية مباشرة دون اللجوء لفرضيات مسبقة. ومع ذلك، هناك مجموعة من الإجراءات التشخيصية التي يتبعها الباحثون لتقييم معقولية هذا الافتراض.

أول هذه الإجراءات هو إجراء “اختبار ليتل للفقدان العشوائي التام” (Little’s MCAR Test)؛ فإذا جاءت دلالة هذا الاختبار إحصائية (p < 0.05)، فهذا يعني رفض فرضية أن البيانات مفقودة بصورة عشوائية تامة (MCAR). وحينئذ يقوم الباحث بتكوين متغيرات مؤشرة ثنائية (Dummy Variables) تعبر عن الفقدان (1 = مفقود، 0 = ملاحظ)، ثم يجري تحليلات انحدار لوجستي واختبارات “ت” (t-tests) لمعرفة ما إذا كانت المتغيرات الديموغرافية والنفسية المقاسة تتنبأ باحتمالية حدوث الفقدان. فإذا تبين وجود ارتباطات جوهرية بين المتغيرات المقاسة وحدوث الغياب، تعززت فرضية MAR وأصبحت مبررة منهجياً.

ولمعالجة البيانات في ظل افتراض MAR، يُجمع الإحصائيون وخبراء القياس النفسي على وسيلتين أساسيتين هما المعيار الذهبي المعتمد اليوم:

• تقدير الأرجحية العظمى للمعلومات الكاملة (Full Information Maximum Likelihood – FIML): وهي طريقة مباشرة تعتمد على اشتقاق دالة اللوغاريتم الأرجحي لكل مشارك بناءً على المتغيرات المتوفرة لديه فقط دون حذف أو تعويض مصطنع، مما ينتج تقديرات دقيقة وغير متحيزة لمعاملات الانحدار والارتباط ومصفوفات التباين والتغاير المشترك.
• التعويض المتعدد (Multiple Imputation – MI): وهي خوارزمية احتمالية تعتمد على سلاسل ماركوف ومحاكاة مونت كارلو (MCMC) لتوليد قيم بديلة متعددة (عادة ما بين 20 إلى 100 مجموعة بيانات مكتملة)، تعكس كل منها التباين الطبيعي وعدم اليقين الإحصائي المرتبط بالقيمة المفقودة وفق نموذج الانحدار الخطي التنبؤي، ثم تدمج نتائج التحليلات باستخدام قواعد روبين (Rubin’s Rules).

10. التطبيقات والأهمية العملية في البحث النفسي والعيادي

تتجلى الأهمية التطبيقية لافتراض MAR في التجارب الإكلينيكية العشوائية المحكومة (Randomized Controlled Trials – RCTs) لتقييم التدخلات النفسية والدوائية. ففي دراسات علاج الاكتئاب والقلق واضطرابات الشخصية، يواجه المعالجون نسب تسرب حتمية للمرضى قبل استكمال مراحل المتابعة. إن تطبيق افتراض MAR عبر منهجية FIML يمكن الفريق البحثي من تحليل نية العلاج (Intention-to-Treat Analysis) بدقة علمية متناهية، متجنبين الممارسات القديمة المضرة كاستبدال آخر قيمة مرصودة (LOCF)، والتي كانت تنتج تقديراً مفرطاً في التفاؤل أو التثبيط لفاعلية العلاج النفسي.

وفي حقل القياس والتقويم النفسي المدرسي والتربوي، تعتمد اختبارات المسح الواسعة كاختبارات الذكاء وبرامج تقييم التحصيل الدولية (مثل PISA وTIMSS) على تصاميم الكتيبات المدورة (Matrix Sampling)؛ حيث يُطلب من كل طالب الإجابة عن جزء محدود فقط من بنك الأسئلة لتفادي الإجهاد. وبما أن الأسئلة غير المجاب عنها خضعت للتوزيع المسبق بناءً على تصميم تجريبي مدروس وملاحظ، فإن البيانات الناتجة تكون مفقودة حتماً وفق آلية MAR، ويتم تدريج صعوبة الفقرات وقدرات الطلاب بسلاسة دون أدنى تحيز في المعايير النمائية.

أما في الدراسات الطولية التنموية التي تتبع الأطفال من مرحلة الطفولة المبكرة حتى المراهقة، فإن ظاهرة تآكل العينة (Panel Attrition) بفعل انتقال العائلات لمناطق سكنية جديدة تمثل تحدياً كبيراً. يساعد MAR الباحثين في تضمين الخصائص الاجتماعية والاقتصادية للأسرة وسلوكيات الطفل المسجلة في الموجات الأولى، مما يتيح الاحتفاظ بالقوة الإحصائية الكافية لاختبار فرضيات النمو والتنبؤ بالسلوك الانحرافي دون اضطرار الباحثين لإلغاء نصف عينة الدراسة الأصلية.

11. الأبحاث والدلائل التجريبية الحديثة

أكدت مئات الدراسات المحاكية (Monte Carlo Simulation Studies) المنشورة في مجلات القياس الرائدة، مثل مجلة Psychological Methods والمجلة البريطانية لعلم النفس الرياضي والإحصائي، التفوق الساحق للتعامل مع البيانات وفق افتراض MAR على الطرق التقليدية. وقد أظهرت الأبحاث الكلاسيكية التي قادها غراهام وزملاؤه (Graham et al., 2007) وشافر وغراهام (Schafer & Graham, 2002) أن طرق الحذف التقليدي للحالات (Listwise Deletion) تتسبب في خفض القوة الإحصائية (Statistical Power) للاختبارات النفسية بنسب تصل إلى 50% وتؤدي إلى تشويه معنوي لخطأ النوع الأول (Type I Error).

وفي دراسة مرجعية لـ كريغ أندرس (Enders, 2010)، قارنت بين طرق معالجة الفقدان في نماذج تباين وتغاير الشخصية، ثبت تجريبياً أن استخدام FIML وMultiple Imputation في ظل افتراض MAR يستعيد معالم المجتمع بنسب خطأ تقترب من الصفر الإحصائي، حتى عندما وصلت نسبة البيانات المفقودة إلى ما يزيد عن 40% من إجمالي مصفوفة الاستجابات، شريطة أن تكون المتغيرات المساعدة المضمنة في التحليل ذات ارتباط معنوي ومعتدل بمتغيرات النتيجة.

كما بينت الدراسات التجريبية الأحدث التي تناولت مقاييس الأجهزة الذكية والاستشعار السلوكي المتزامن (Ecological Momentary Assessment – EMA) في الحياة اليومية لمرضى الاضطراب الوجداني ثنائي القطب، أن البيانات المفقودة الناتجة عن عدم شحن الهاتف أو التواجد خارج نطاق التغطية يمكن استرجاع معالم مساراتها بدقة مذهلة تحت افتراض MAR من خلال ربطها بأنماط الحركة والنشاط المسجلة في أوقات سابقة، مما أكد صلاحية هذا النموذج حتى في عصر البيانات الضخمة والسيكولوجيا الرقمية المعاصرة.

12. الاعتبارات الثقافية وسياقات التطبيق

تكتسب آلية MAR حساسية إضافية بالغة الأهمية عند تطبيق أدوات القياس النفسي عبر الثقافات المتعددة أو في المجتمعات المحافظة؛ إذ يتأثر سلوك الاستجابة والامتناع بالتقاليد الثقافية والمحظورات الاجتماعية (Taboos). فعلى سبيل المثال، عند تطبيق مقاييس الصحة النفسية أو تقييمات السلوك الجنسي أو الإدمان في البيئات العربية والشرقية، قد يمتنع المشاركون بنسب مرتفعة عن الإجابة عن بنود صريحة تمس قضايا العلاقات الشخصية أو تعاطي الكحول والمهدئات.

في مثل هذه السياقات، لا يمكن افتراض أن الفقدان هو مجرد صدفة (MCAR)؛ إذ يقف خلف الامتناع نسق قيمي ومرجعية ثقافية واضحة. وإذا استطاع الباحث النفسي قياس وتوثيق متغيرات وسيطة كالرغبة الاجتماعية (Social Desirability)، ودرجة التدين، ومستوى التحفظ الثقافي، فإن تضمين هذه المتغيرات في التحليل ينقل عملية الفقدان بنجاح من دائرة الفقدان غير القابل للتفسير (MNAR) إلى آلية MAR المشروطة بالوعي الثقافي المسجل؛ مما يحمي الأداة القياسية من الوقوع في تزييف الحقائق السيكولوجية للمجتمع المدروس.

علاوة على ذلك، تتطلب ترجمة مقاييس الشخصية الغربية وتقنينها على بيئات نامية فحصاً دقيقاً لعدم الاستجابة الجزئية الناشئة عن تباين مستويات الطلاقة اللغوية أو المعرفة الرقمية؛ حيث يرتبط تسرب الأفراد من الاستبيانات الإلكترونية بمدى إلمامهم بالتكنولوجيا. وبناءً عليه، فإن التعامل مع هذا الفقدان تحت مظلة MAR عبر ضبط متغيرات العمر والمهارة الرقمية يضمن عدالة المقارنات النفسية العابرة للثقافات وتجنب التحيز البنيوي في القياس.

13. الانتقادات والجدليات المنهجية والقيود

على الرغم من المكانة المركزية التي يحظى بها MAR في المنهجية النفسية الحديثة، فإنه يواجه انتقادات وجدليات فلسفية وإحصائية لم تنقطع. يتمثل النقد الرئيسي في أن افتراض MAR يمثل بطبيعته “فرضية غير قابلة للإثبات التجريبي الحاسم” (Untestable Assumption)؛ إذ يظل احتمال أن يكون الفقدان خاضعاً لآلية MNAR قائماً ومحتملاً دائماً في أي دراسة سيكولوجية، نظراً لعجز الباحث عن فحص عقول المشتركين الذين غابوا دون أن يتركوا أي أثر رقمي أو سلوكي مباشر.

ويحذر نقاد التوسع المفرط في تطبيق خوارزميات MAR (مثل FIML والتعويض المتعدد) من أن تلك البرمجيات قد تمنح الباحثين “شعوراً زائفاً بالأمان المنهجي”؛ حيث يعتقد البعض خطأً أن تشغيل خوارزمية إحصائية متقدمة كفيل بحل عيوب التصميم التجريبي وسوء جمع البيانات. وإذا كان الفقدان الحقيقي ناتجاً عن عوامل غير مقاسة إطلاقاً (أي MNAR صرف)، فإن تطبيق تحليلات MAR قد يؤدي في بعض الحالات إلى تفاقم أخطاء التقدير بدلاً من معالجتها.

ومن القيود العملية الأخرى لما يعرف بـ “مفارقة المتغيرات المساعدة”؛ إذ يتطلب جعل افتراض MAR معقولاً تضمين عدد هائل من المتغيرات في النموذج التنبؤي، إلا أن الإفراط في إدخال المتغيرات المساعدة قد يؤدي إلى مشاكل التعددية الخطية (Multicollinearity)، أو تعثر خوارزميات التقارب الحسابي (Non-convergence) في برمجيات المعادلات البنائية، خصوصاً عندما تكون أحجام العينات النفسية صغيرة أو متوسطة الحجم، مما يفرض موازنة دقيقة بين الشمولية الرياضية والاستقرار العددي للنموذج.

14. المصطلحات المقارنة والفروق الجوهرية

لتكوين رؤية معرفية شاملة ومانعة للبس، يلخص الجدول المفاهيمي التالي الفروق الجوهرية بين الفقدان العشوائي (MAR) والظواهر الإحصائية المقاربة له في البحث النفسي:

• الفقدان العشوائي التام (MCAR – Missing Completely at Random): يختلف عن MAR في أن احتمال الفقدان لا يعتمد على أي متغير في الدراسة سواء كان مقاساً أو مفقوداً؛ وهو شرط مثالي وصارم للغاية ونادراً ما يتحقق في الواقع الإنساني والعيادي. بينما في MAR، يرتبط الفقدان مباشرة بالبيانات المسجلة المتاحة.
• الفقدان غير العشوائي (MNAR – Missing Not at Random): ويُعرف أيضاً بالفقدان غير القابل للتجاهل؛ وفيه يعتمد احتمال غياب القيمة على القيمة الخفية ذاتها حتى بعد ضبط كل المتغيرات المقاسة. ويتطلب التعامل معه نماذج نمذجة نمط الفقدان (Pattern-Mixture Models) أو نماذج الاختيار المشترك (Selection Models) الشديدة التعقيد.
• الحذف الكلي للحالات (Listwise Deletion): هو إجراء ميكانيكي إجرائي يقوم على شطب المفحوص بالكامل من التحليل إذا فقد استجابة واحدة، بينما MAR هو افتراض نظري احتمالي يُعالج عبر الاحتفاظ بكامل الحالات واستغلال بياناتها الجزئية بواسطة FIML أو التعويض المتعدد.
• التعويض الفردي الحتمي (Single Deterministic Imputation): مثل التعويض بالمتوسط أو الانحدار البسيط؛ وتكمن مشكلته في أنه يقلص تباين المتغير بشكل مصطنع ويضخم مستويات الدلالة الإحصائية الزائفة، بخلاف طرق MAR الحديثة التي تحافظ على التباين والأخطاء المعيارية الحقيقية للمتغيرات السيكولوجية.

15. الخلاصة والنقاط الجوهرية

يعد الفقدان العشوائي للبيانات (Missing at Random – MAR) حجر الزاوية للمنهجية الإحصائية السليمة في بحوث العلوم النفسية والتربوية المعاصرة. وتتلخص أهم ركائزه في كونه يصف حالة يكون فيها احتمال نقص البيانات مشروطاً بالكامل بالمعلومات الملاحظة في مصفوفة القياس، دون أن يعتمد على القيم السلوكية الغائبة بحد ذاتها؛ مما يجعله افتراضاً واقعياً يتطابق مع تعقيدات السلوك الإنساني في التجارب الطولية والمسوح الميدانية.

كما يمنح افتراض MAR الباحثين الشرعية العلمية والإحصائية لتطبيق أفضل الممارسات المنهجية المعاصرة المتمثلة في تقدير الأرجحية القصوى للمعلومات الكاملة (FIML) والتعويض المتعدد (Multiple Imputation)، متجاوزين الممارسات التقليدية التي كادت تودي بمصداقية نتائج القياس النفسي لعقود طويلة. ويبقى النجاح في توظيف هذا المفهوم رهناً بذكاء الباحث السيكولوجي في التخطيط القبلي للدراسة وجمع المتغيرات المساعدة التفسيرية التي تضمن تحويل مشكلة البيانات الناقصة من معضلة تحيز مجهولة إلى نمط احتمالي مفسر ومسيطر عليه علمياً.

في المحصلة الختامية، يرتقي فهم آلية الفقدان العشوائي للبيانات ببحوث علم النفس من مجرد معالجات رقمية سطحية إلى ممارسة منهجية واعية تحفظ قيمة كل استجابة إنسانية وتصون الدقة العلمية للنظريات السلوكية المصاغة.

المراجع

• Enders, C. K. (2010). Applied Missing Data Analysis. Guilford Press.
• Graham, J. W. (2009). Missing data analysis: Making it work in the real world. Annual Review of Psychology, 60, 549–576.
• Little, R. J. A., & Rubin, D. B. (2019). Statistical Analysis with Missing Data (3rd ed.). John Wiley & Sons.
• Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3), 581–592.
• Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147–177.