- نقشۀ فقدان، دلیل روش و جدول حساسیت تهیه کنید.
گمشدگی را قبل از تحلیل بشناسید
برای هر متغیر و گروه، تعداد و نسبت مقادیر گمشده و هم‌زمانی آن‌ها را بررسی کنید. مقدار صفر، پاسخ «نمی‌دانم»، عدم کاربرد و خطای ثبت را یک کد واحد نگذارید. علت شناخته‌شده را جدا ثبت کنید و فرایند گردآوری را برای جلوگیری از گمشدگی قابل پیشگیری اصلاح کنید.
فرض‌ها را با قطعیت اشتباه نگیرید
MCAR، MAR و MNAR درباره رابطه گمشدگی با داده‌های مشاهده‌شده و مشاهده‌نشده‌اند. مشاهده یک الگو یا انجام یک آزمون، تمام این فرض‌ها را اثبات نمی‌کند. دانش موضوعی، روش جمع‌آوری و تحلیل حساسیت برای دفاع از انتخاب روش لازم‌اند.
حذف کامل و جایگذاری ساده
حذف تمام موارد ناقص می‌تواند نمونه و جمعیت قابل تحلیل را تغییر دهد و تحت بعضی سازوکارها سوگیری ایجاد کند. جایگذاری همه مقادیر با میانگین، معمولاً ساختار واریانس و رابطه‌ها را مخدوش می‌کند و نباید پیش‌فرض خودکار باشد. انتخاب روش باید با هدف، مدل و طراحی سازگار باشد.
جایگذاری چندگانه
بسته mice در R چند مجموعه داده جای‌گذاری‌شده می‌سازد؛ تحلیل و ترکیب نتایج باید طبق روش مناسب انجام شوند. مدل جایگذاری، نوع متغیر، ساختار زمانی یا خوشه‌ای و متغیرهای کمکی را بررسی کنید. همگرایی و معقول‌بودن داده‌های ساخته‌شده را کنترل کنید؛ داده جای‌گذاری‌شده را داده واقعی اندازه‌گیری‌شده معرفی نکنید.
ثبت تصمیم و حساسیت
تعداد نمونه قبل و بعد از هر تصمیم، الگوی گمشدگی، فرض‌ها، روش، تنظیم‌ها و مقایسه سناریوهای معقول را گزارش کنید. اگر نتیجه با تصمیم متفاوت به‌طور مهم تغییر می‌کند، این وابستگی را در بحث بیاورید. نسبت گمشدگی به‌تنهایی یک آستانه جهانی برای انتخاب روش نمی‌دهد.
چک‌لیست اجرای پژوهش
- کدهای گمشدگی از صفر و عدم کاربرد جدا هستند.
- فرض‌ها و روش توجیه شده‌اند.
- فرایند تحلیل و ترکیب نتایج مستند است.
- حساسیت نتیجه و تغییر نمونه گزارش شده‌اند.
پروندۀ آموزشی و تصمیم‌های اجرایی
مثال زیر کاملاً فرضی و آموزشی است؛ از اعداد و متن آن به عنوان نتیجۀ واقعی پژوهش استفاده نکنید.
در مثال، از ۱۰۰ نفر ۱۲ پیامد ثبت نشده است؛ ۹ مورد در گروه با نمرۀ پایه پایین‌اند. این الگو نیاز به بررسی دارد ولی به تنهایی MAR یا MNAR را ثابت نمی‌کند. فقدان را برای هر متغیر و زمان بشمارید و علت معلوم را از حدس جدا کنید. حذف کامل یا جایگذاری میانگین را پیش‌فرض بی‌دلیل نگذارید. اگر multiple imputation انتخاب شود، مدل جایگذاری، متغیرهای کمکی، شمار مجموعه‌ها و pooling باید مستند و با طرح سازگار باشند. تحلیل حساسیت فرض‌های مشاهده‌ناپذیر اهمیت دارد.
| مرحله | نمونۀ آموزشی | پرسش کنترل |
|---|---|---|
| شمار | ۱۲ از ۱۰۰ در مثال | برای متغیر و زمان جدا ثبت است؟ |
| علت | معلوم، نامعلوم یا محتمل | حدس به عنوان واقعیت نیامده است؟ |
| فرض | سازوکار فقدان قابل دفاع | شاهد و محدودیت بیان شده‌اند؟ |
| روش | حذف یا جایگذاری با توجیه | با طرح و مدل تحلیل سازگار است؟ |
| حساسیت | فرض جایگزین موجه | تغییر نتیجه گزارش شده است؟ |
خروجی تمرین: نقشۀ فقدان، دلیل روش و جدول حساسیت تهیه کنید.
منابع و مطالعه بیشتر
منابع رسمی برای بررسی و مطالعه بیشتر