🔹 تحلیل حساسیت برای داده‌های گمشده؛ اگر فرض MAR درست نباشد، نتیجه چقدر تغییر می‌کند؟

بسیاری از روش‌های رایج مدیریت داده‌های گمشده، از جمله برآورد چندگانه، معمولاً بر فرض‌هایی نزدیک به MAR تکیه دارند.

اما در عمل نمی‌توان همیشه با اطمینان گفت داده‌های گمشده واقعاً MAR هستند.

به همین دلیل، یکی از مراحل مهم در تحلیل پیشرفته داده‌های ناقص، «تحلیل حساسیت» است.

══════════════

🧠 تحلیل حساسیت چه سؤالی را پاسخ می‌دهد؟

تحلیل حساسیت می‌پرسد:

«اگر فرض ما درباره سازوکار داده‌های گمشده کمی اشتباه باشد، آیا نتیجه اصلی پژوهش همچنان باقی می‌ماند؟»

هدف این نیست که یک فرض را قطعی اثبات کنیم.

هدف این است که بفهمیم نتیجه تا چه اندازه به فرض‌های غیرقابل مشاهده وابسته است.

══════════════

📌 چرا این کار ضروری است؟

فرض کنید در یک مطالعه طولی، اضطراب پژوهشی در مرحله سوم برای ۲۰ درصد شرکت‌کنندگان گمشده است.

روش برآورد چندگانه تحت فرض MAR نشان می‌دهد مداخله باعث کاهش اضطراب شده است.

اما شاید افرادی که اضطراب بسیار بالاتری داشته‌اند، دقیقاً به دلیل همان وضعیت از پاسخ دادن خودداری کرده باشند.

در این حالت داده‌ها ممکن است به MNAR نزدیک‌تر باشند.

تحلیل حساسیت بررسی می‌کند اگر نمره‌های گمشده واقعاً بدتر از مقادیر برآوردشده باشند، نتیجه مداخله همچنان حفظ می‌شود یا نه.

══════════════

✍️ مثال پژوهشی

فرض کنید بر اساس برآورد چندگانه، میانگین اضطراب افراد دارای داده گمشده حدود ۳٫۵ برآورد شده است.

پژوهشگر می‌تواند سناریوهای جایگزین بررسی کند:

اگر مقدار واقعی به طور متوسط ۰٫۳ واحد بیشتر باشد چه می‌شود؟

اگر ۰٫۵ واحد بیشتر باشد چه؟

اگر حتی ۱ واحد بیشتر باشد چه؟

اگر نتیجه اصلی در تمام این سناریوها تقریباً ثابت بماند، استنباط نسبت به فرض داده‌های گمشده مقاوم‌تر است.

══════════════

📌 نقطه واژگونی چیست؟

یکی از رویکردهای مفید این است که مشخص کنیم تحت چه میزان انحراف از فرض MAR، نتیجه اصلی تغییر می‌کند.

مثلاً ممکن است نتیجه تا زمانی باقی بماند که نمره واقعی افراد گمشده حداکثر ۰٫۶ واحد بیشتر از مقدار برآوردشده باشد.

اما اگر اختلاف از ۰٫۶ بیشتر شود، نتیجه دیگر معنادار نباشد.

این مقدار را می‌توان به عنوان یک «نقطه واژگونی» در نظر گرفت.

══════════════

⚠️ خطای رایج: یک تحلیل و یک فرض را حقیقت قطعی بدانیم

اگر یک روش برآورد چندگانه اجرا شود و فقط همان نتیجه گزارش شود، خواننده نمی‌داند نتیجه تا چه حد به فرض MAR وابسته است.

به‌ویژه زمانی که درصد داده گمشده زیاد است یا دلایل عدم پاسخ نگران‌کننده‌اند، بررسی سناریوهای جایگزین اهمیت بیشتری پیدا می‌کند.

══════════════

📌 تحلیل حساسیت جایگزین تحلیل اصلی نیست

معمولاً یک تحلیل اصلی بر اساس فرض قابل دفاع اجرا می‌شود.

سپس تحلیل حساسیت بررسی می‌کند اگر این فرض کمی تغییر کند، نتیجه چه اتفاقی می‌افتد.

پس تحلیل حساسیت برای ایجاد نتیجه جدید نیست؛ برای سنجش «پایداری استنباط» است.

══════════════

🎯 چه زمانی اهمیت بیشتری دارد؟

وقتی:

درصد داده گمشده بالاست،

خروج از مطالعه احتمالاً با پیامد مرتبط است،

دلیل گم شدن داده نامشخص است،

نتیجه اصلی در مرز معناداری قرار دارد،

یا تصمیم پژوهش پیامد مهمی دارد.

در این شرایط، وابستگی نتیجه به فرض‌های گمشده بودن باید صریح‌تر بررسی شود.

══════════════

✅ جمع‌بندی

در داده‌های گمشده، همیشه بخشی از مسئله درباره چیزی است که مشاهده نکرده‌ایم.

به همین دلیل، هیچ روش آماری نمی‌تواند بدون فرض، مقادیر گمشده را بازیابی کند.

تحلیل حساسیت کمک می‌کند بپرسیم:

اگر فرض ما درباره داده‌های گمشده کمی اشتباه باشد، آیا نتیجه پژوهش همچنان برقرار است؟

هرچه نتیجه در برابر سناریوهای معقول پایدارتر باشد، اعتماد به استنباط بیشتر خواهد بود.

📚 @confpaper