Whatsapp
كيف_تتعامل_مع_البيانات_المفقودة_في_الاستبيان

كيف تتعامل مع البيانات المفقودة في الاستبيان؟

كيف تتعامل مع البيانات المفقودة في الاستبيان؟

ابدأ بفحص القيم الناقصة قبل حذف المشاركين أو تعويض إجاباتهم. احسب مقدار الفقد، وحدد الأسئلة والفئات التي يتركز فيها، ثم راجع الأسباب المحتملة وعلاقتها بهدف التحليل.

لا توجد نسبة واحدة تجعل الحذف آمنًا أو التعويض ضروريًا في جميع الدراسات. فقد تكون إجابات ناقصة قليلة مؤثرة إذا تركزت لدى فئة محددة، بينما تحتاج نسبة أكبر إلى تقييم مختلف بحسب المعلومات المتاحة وافتراضات التحليل. وتؤكد الأدبيات أن اختيار الطريقة يرتبط بآلية الفقد والنموذج المستخدم، وليس بحجم الفقد وحده. [1]، [2]

ما المقصود بالبيانات المفقودة؟

البيانات المفقودة هي قيم كان يُفترض تسجيلها، لكنها غير متاحة للتحليل. قد يترك المشارك سؤالًا دون إجابة، أو ينسحب قبل إكمال الاستبيان، أو يحدث خلل أثناء إدخال البيانات.

ومن المفيد التمييز بين:

  • عدم الاستجابة الكلي: عدم الحصول على استبيان المشارك أصلًا.
  • عدم الاستجابة الجزئي: استلام الاستبيان مع غياب بعض الإجابات.
  • التخطي المخطط: عدم عرض سؤال على مشارك لأنه لا ينطبق عليه.

لا تتعامل تلقائيًا مع التخطي المخطط باعتباره إجابة ناقصة تحتاج تعويضًا. فإذا كان السؤال عن عدد سنوات العمل مخصصًا للعاملين، فإن عدم إجابة غير العاملين له معنى مختلف عن امتناع موظف عن الإجابة.

كذلك، لا تحوّل الإجابة الناقصة إلى صفر؛ فالصفر قد يكون قيمة حقيقية، مثل عدم وجود دخل إضافي أو عدم حضور أي دورة تدريبية.

افحص الفقد على مستوى المتغيرات والمشاركين

احتفظ بنسخة أصلية من البيانات، ثم أنشئ جدولًا يوضح عدد القيم الناقصة ونسبتها لكل متغير.

مثال تعليمي مؤلف، وليس نتائج دراسة منشورة:

المتغير المشاركون المؤهلون للإجابة الإجابات الناقصة نسبة الفقد
العمر 300 3 1%
الرضا الدراسي 300 24 8%
الدخل الشهري 300 75 25%

بعد ذلك، افحص عدد المشاركين الذين ستبقى بياناتهم مكتملة في التحليل المقصود تحديدًا. فاكتمال متغير واحد لا يعني اكتمال المتغيرات اللازمة لنموذج انحدار كامل.

اسأل أيضًا:

  • هل تتركز الإجابات الناقصة في نهاية الاستبيان؟
  • هل يرتبط الفقد بطول الاستبيان أو طريقة توزيعه؟
  • هل يختلف بين التخصصات أو المجموعات؟
  • هل ظهرت رموز مثل 99 أو 999 استُخدمت للدلالة على عدم الإجابة؟

هذه الأسئلة تنظّم الفحص، لكنها لا تكفي وحدها لإثبات آلية الفقد.

ما الفرق بين MCAR وMAR وMNAR؟

ترتبط التصنيفات التالية بافتراضات عن سبب غياب البيانات، وليست مجرد أوصاف لنسبتها.

الفقد العشوائي بالكامل MCAR

يعني أن احتمال غياب القيمة لا يعتمد على القيم المرصودة ولا على القيم المفقودة.

مثال تعليمي افتراضي: فقدان بعض الاستبيانات بسبب حادث أرشفة عشوائي مستقل عن المشاركين وإجاباتهم. هذا السيناريو قد ينسجم مع MCAR إذا كانت استقلاليته مبررة فعلًا.

الفقد العشوائي المشروط MAR

يعني أن احتمال الفقد، بعد أخذ البيانات المرصودة المناسبة في الحسبان، لا يعتمد على القيمة المفقودة نفسها.

مثال تعليمي افتراضي: تختلف احتمالات عدم الإجابة عن الرضا بحسب السنة الدراسية المسجلة، لكنها لا تعتمد على الرضا غير المرصود بعد ضبط السنة الدراسية. الشرط الأخير افتراض يحتاج تبريرًا، وليس نتيجة تثبت بمجرد وجود علاقة بالسنة الدراسية.

الفقد غير العشوائي MNAR

يعني أن احتمال الفقد يظل مرتبطًا بالقيم غير المرصودة حتى بعد مراعاة المعلومات المرصودة ذات الصلة.

مثال تعليمي افتراضي: يكون أصحاب الدخول الأعلى أكثر ميلًا لعدم الإفصاح عن الدخل، وتبقى هذه العلاقة بعد ضبط الخصائص المسجلة.

لا يمكن التمييز بصورة حاسمة بين MAR وMNAR باستخدام البيانات المرصودة وحدها؛ لذلك تحتاج القرارات إلى معرفة بالسياق، وقد تتطلب تحليلات حساسية. [3]، [4]

ما خيارات معالجة البيانات المفقودة؟

تحليل الحالات المكتملة

يقتصر التحليل على المشاركين الذين تتوافر لديهم جميع المتغيرات المطلوبة لذلك التحليل.

قد يؤدي هذا الخيار إلى فقد معلومات وتقليل الدقة. ويكون MCAR أحد الشروط الكافية الشائعة لتجنب انحياز ناتج عن استبعاد الحالات، لكنه ليس الشرط الوحيد في جميع النماذج؛ فصلاحية تحليل الحالات المكتملة تعتمد أيضًا على موضع الفقد وعلاقته بمتغيرات النموذج.

لذلك، لا يكفي تبريره بعبارة «العينة كبيرة»، ولا يصح رفضه آليًا في كل دراسة. [2]

استخدام الحالات المتاحة لكل حساب

في بعض الإجراءات، مثل حساب الارتباطات، يمكن استخدام المشاركين الذين تتوافر لديهم قيم المتغيرين المعنيين بكل معامل ارتباط. ويُعرف ذلك بالحذف الزوجي.

هذا يختلف عن حذف سؤال كامل من الاستبيان. وقد يصبح عدد الحالات مختلفًا من معامل ارتباط إلى آخر؛ لذا يجب مراجعة حجم العينة المستخدم في كل نتيجة. توضح وثائق SPSS هذا الفرق بين الاستبعاد الزوجي والاستبعاد الكامل.

التعويض الأحادي بالمتوسط أو الوسيط

يستبدل التعويض الأحادي كل قيمة ناقصة بتقدير واحد. لكن ملء الخانات لا يعني معالجة المشكلة الإحصائية.

التعويض الثابت بالمتوسط، مثلًا، قد يقلل التباين ويشوّه العلاقات بين المتغيرات، كما لا يمثّل عدم اليقين بشأن القيم التي لم تُرصد. لذلك لا توصي هذه المقالة باستخدامه تلقائيًا في الاختبارات والانحدار، حتى عندما تبدو نسبة الفقد صغيرة. [1]

ويجب التمييز بين هذا الإجراء وبين قواعد احتساب درجات مقياس معتمد؛ فإذا كان للمقياس دليل يحدد كيفية التعامل مع البنود الناقصة، فتُراجع تعليماته وحدود استخدامها.

التعويض المتعدد

ينشئ التعويض المتعدد عدة مجموعات بيانات تحتوي على قيم معوّضة مختلفة. يُنفَّذ التحليل على كل مجموعة، ثم تُدمج التقديرات وعدم اليقين وفق قواعد مناسبة؛ وليس بأخذ متوسط القيم المعوّضة وإجراء تحليل واحد عليها.

يتطلب تطبيقه اختيار نماذج ملائمة لأنواع المتغيرات، وإدراج معلومات مفيدة لتفسير الفقد والتنبؤ بالقيم، وفحص معقولية النتائج. كما يجب مراعاة العلاقات المهمة في التحليل، مثل التفاعلات أو العلاقات غير الخطية عند وجودها.

التعويض المتعدد أداة منهجية، لكنه لا يضمن إزالة الانحياز أو تعويض نقص المعلومات في كل ظرف. [5]

التقدير المباشر داخل النموذج

تتيح بعض النماذج استخدام المعلومات المتاحة مباشرة، مثل الاحتمال الأقصى بالمعلومات الكاملة FIML في تطبيقات مناسبة.

هذا لا يعني أن أي إجراء انحدار يتعامل تلقائيًا مع القيم الناقصة. تحقق من طريقة التقدير التي يستخدمها البرنامج وافتراضاتها، ومن المتغيرات التي يستبعدها عند وجود فقد. [4]

مثال تطبيقي لاتخاذ القرار

السيناريو التالي تعليمي مؤلف بالكامل:

لديك استبيانات 300 طالب، وغابت إجابة الرضا الدراسي عن 24 طالبًا، أي 8%.

بدل اتخاذ قرار مباشر بالحذف:

  1. تأكد أن السؤال كان معروضًا على الطلاب جميعًا.
  2. راجع وجود مشكلة تقنية أو ترميز خاطئ.
  3. افحص توزيع الفقد بحسب السنة الدراسية والتخصص والمتغيرات المتاحة ذات الصلة.
  4. حدد التحليل المطلوب: وصف الرضا، أم مقارنة مجموعات، أم تفسيره بنموذج؟
  5. اكتب الافتراضات التي ستستند إليها المعالجة.
  6. قارن نتائج التحليل الأساسي بنتائج تحليل حساسية مناسب.

إذا تغير الاستنتاج بصورة مهمة تحت افتراضات معقولة مختلفة، فاذكر ذلك بدل تقديم نتيجة واحدة بوصفها مؤكدة.

نسبة 8% في هذا المثال ليست حدًا إرشاديًا أو توصية بطريقة معينة.

كيف توثّق معالجة البيانات المفقودة؟

اجعل وصف المعالجة قابلًا للفهم والمراجعة. اذكر:

  • حجم العينة الأصلي وعدد الحالات الداخلة في كل تحليل.
  • عدد القيم الناقصة ونسبتها في المتغيرات الأساسية.
  • أسباب الفقد المعروفة وكيفية ترميزها.
  • طريقة المعالجة وافتراضاتها ومبرراتها.
  • إعدادات التعويض وفحوصه، إذا استُخدم.
  • تحليلات الحساسية وحدود تفسير النتائج.

وعند استخدام التعويض المتعدد، أضف عدد مجموعات البيانات المعوّضة والمتغيرات الداخلة في نماذج التعويض وطريقة دمج النتائج. [1]، [5]

قالب كتابة مقترح، وليس تقريرًا عن إجراء نُفِّذ:

بلغت نسبة الفقد في المتغير [اسم المتغير] مقدار [النسبة]. استُخدمت طريقة [الطريقة] استنادًا إلى [المبررات والافتراضات]. وبلغ عدد الحالات في التحليل النهائي [العدد]. أُجري تحليل حساسية باستخدام [الإجراء]، وأظهرت المقارنة [النتيجة الفعلية].

أسئلة شائعة

هل توجد نسبة ثابتة تسمح بتجاهل البيانات الناقصة؟

لا تعتمد على النسبة وحدها. راجع أهمية المتغير وآلية الفقد المحتملة وأثر الاستبعاد في التحليل.

هل التعويض المتعدد يعيد الإجابات الحقيقية؟

لا. ينتج قيمًا محتملة وفق نموذج وافتراضات، وليس استرجاعًا مؤكدًا لإجابات المشاركين.

هل يمكن تعويض إجابة «لا ينطبق»؟

لا تُعاملها تلقائيًا كإجابة مفقودة. حدّد أولًا معنى الإجابة ومن كان مؤهلًا للسؤال.

هل الأفضل اختيار الطريقة التي تعطي نتيجة دالة إحصائيًا؟

لا. اختر الطريقة بمبررات منهجية، وأبلغ عن حساسية النتائج بدل اختيار الإجراء الذي يوافق توقعاتك.

الخطوة العملية التالية

أنشئ جدولًا بالقيم الناقصة لكل متغير، ثم حدّد عدد الحالات المكتملة في التحليل الذي تخطط له. بعد ذلك اكتب تفسيرًا محتملًا للفقد وافتراضات المعالجة، قبل تنفيذ الحذف أو التعويض.

الهدف هو الوصول إلى استنتاج مبرر وشفاف، وليس مجرد الحصول على ملف يخلو من الخانات الفارغة.

المراجع

  1. Sterne, J. A. C., et al. (2009). Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls. BMJ, 338, b2393. DOI: 10.1136/bmj.b2393.
  2. White, I. R., & Carlin, J. B. (2010). Bias and efficiency of multiple imputation compared with complete-case analysis for missing covariate values. Statistics in Medicine, 29(28), 2920–2931. DOI: 10.1002/sim.3944.
  3. Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3), 581–592. DOI: 10.1093/biomet/63.3.581.
  4. Jakobsen, J. C., Gluud, C., Wetterslev, J., & Winkel, P. (2017). When and how should multiple imputation be used for handling missing data in randomised clinical trials—a practical guide with flowcharts. BMC Medical Research Methodology, 17, 162. DOI: 10.1186/s12874-017-0442-1.
  5. White, I. R., Royston, P., & Wood, A. M. (2011). Multiple imputation using chained equations: Issues and guidance for practice. Statistics in Medicine, 30(4), 377–399. DOI: 10.1002/sim.4067.

يقدم موقع مبتعث للدراسات والاستشارات الاكاديمية العديد من الخدمات في رسائل الماجستير والدكتوراة لطلبة الدراسات العليا .. لطلب اي من هذه الخدمات اضغط هنا


ابقى على تواصل معنا ... نحن بخدمتك