تحليل البيانات المفقودة: الآليات والطرق وتحليل الحساسية

تحليل البيانات المفقودة هو مجموعة قرارات تبدأ قبل اختيار أي خوارزمية تعويض. السؤال الأول ليس «كيف أملأ الخانات الفارغة؟» بل: ما الذي كان يفترض قياسه، لماذا غاب، لمن غاب، وما الافتراض الذي يجعل الاستنتاج من البيانات المرصودة صالحًا للسؤال الأصلي؟ قد يؤدي الفقد إلى خسارة الدقة فقط، وقد يغير تقدير العلاقة أو أثر التدخل إذا اختلفت احتمالات الفقد باختلاف قيم أو خصائص مرتبطة بالنتيجة. لذلك لا توجد نسبة سحرية من البيانات المفقودة تجعل الدراسة آمنة أو منحازة تلقائيًا. التحليل الجيد يصف نمط الفقد، يحدد السؤال أو الـestimand، يستخدم طريقة متوافقة مع بنية البيانات وافتراضاتها، ويجري تحليلات حساسية عندما لا يمكن التحقق من افتراضات الفقد من البيانات المرصودة وحدها.

ما المقصود بالبيانات المفقودة؟

تكون البيانات مفقودة عندما تكون قيمة كان التصميم أو السؤال التحليلي يحتاج إليها غير متاحة للتحليل. قد تكون قيمة واحدة في استبيان، زيارة متابعة لم تحدث، مقياسًا مخبريًا لم يُسجل، متغيرًا كاملًا في بعض المواقع، أو نتيجة لم تُنشر أصلًا. في المراجعات المنهجية يتسع المعنى ليشمل دراسات كاملة غير منشورة، أو نتائج لم يُبلّغ عنها، أو إحصاءات ملخصة ناقصة، أو مشاركين مفقودين من التحليل. لذلك يجب تحديد مستوى الفقد قبل اختيار العلاج الإحصائي.

الفقد ليس دائمًا خطأ إدخال بيانات. قد ينسحب المشارك، يتعذر الوصول إليه، يرفض بندًا حساسًا، يتوقف القياس بسبب عطل، تنتهي المتابعة إداريًا، أو يصبح قياس النتيجة غير ممكن بعد حدث مثل الوفاة. كل سبب يحمل معنى مختلفًا. حذف هذه الحالات تلقائيًا قد يغير المجموعة التي يمثلها التحليل ويضعف قابلية تفسير النتيجة.

لماذا قد تغيّر البيانات المفقودة الاستنتاج؟

هناك أثران رئيسيان. الأول فقد المعلومات: عندما تقل المشاهدات تنخفض الدقة عادة وتتسع فواصل عدم اليقين. الثاني أكثر خطورة: إذا كان الأشخاص أو القيم المفقودة تختلف منهجيًا عما بقي، قد يصبح التقدير منحازًا. مثلًا، إذا كان الأشخاص ذوو الأعراض الأشد أكثر احتمالًا لعدم إكمال المتابعة، فإن متوسط الأعراض بين من أكملوا قد يبدو أفضل من الواقع المستهدف.

لا تحدد نسبة الفقد وحدها حجم المشكلة. يوضح Cochrane أن حتى نسبة تبدو متوسطة قد يكون أثرها كبيرًا عندما تكون النتيجة نادرة أو عندما تختلف مخاطر الحدث بقوة بين المفقودين والمرصودين. وبالعكس قد يكون فقد أكبر أقل تأثيرًا في بعض السيناريوهات إذا كانت آليته وعلاقته بالنتيجة مفهومة وكان التحليل ملائمًا. لذلك عبارة «الفقد أقل من 5% إذن لا مشكلة» ليست قاعدة علمية عامة.

ابدأ بتحديد السؤال والـestimand

قبل معالجة الفقد يجب تحديد ما الذي تريد تقديره. في تجربة سريرية مثلًا، هل السؤال عن أثر استراتيجية العلاج كما عُينت، حتى لو أوقف بعض المشاركين العلاج؟ أم عن أثر العلاج لو استمر الجميع عليه؟ هذه ليست الصياغة نفسها. يوضح إطار ICH E9(R1) أن الأحداث اللاحقة للتوزيع العشوائي، مثل إيقاف العلاج أو استخدام علاج إنقاذي، يجب أن تُعالج ضمن تعريف الـestimand بدل خلطها تلقائيًا مع «بيانات مفقودة».

هذا التفريق مهم لأن قيمة غير مقاسة بعد إيقاف العلاج قد تكون مفقودة فعلًا، لكن إيقاف العلاج نفسه حدث بيني intercurrent event يحتاج استراتيجية تعريفية. اختيار نموذج تعويض من دون تحديد السؤال قد يعطي رقمًا دقيقًا لسؤال لم يكن الباحث يقصده.

آليات الفقد: MCAR وMAR وMNAR

قدم Donald Rubin الإطار الكلاسيكي لفهم متى يمكن تجاهل آلية الفقد في الاستدلال تحت شروط محددة. في الاستخدام التطبيقي تُشرح الآليات غالبًا بثلاثة أوصاف: الفقد العشوائي تمامًا MCAR، والفقد العشوائي المشروط MAR، والفقد غير العشوائي MNAR. هذه الأسماء تصف علاقات احتمالية وليست تشخيصات يمكن إثباتها بمجرد اختبار إحصائي واحد.

الفقد العشوائي تمامًا MCAR

في أبسط تصور، لا يعتمد احتمال الفقد على القيم المرصودة أو غير المرصودة ذات الصلة. قد يقترب عطل تقني عشوائي خالص من هذا السيناريو. إذا كان الافتراض معقولًا، يمكن لبعض تحليلات الحالات الكاملة أن تبقى غير منحازة لمعلمات معينة، لكنها تظل تهدر معلومات. في الواقع لا ينبغي افتراض MCAR لمجرد أن اختبارًا إحصائيًا لم يرفضه؛ الاختبارات قد تكون ضعيفة، والسبب الحقيقي للفقد يحتاج معرفة بالسياق.

الفقد العشوائي المشروط MAR

يعني MAR، بصورة مبسطة، أن احتمال الفقد يمكن تفسيره بالبيانات المرصودة بعد التكييف عليها، ولا يعتمد بعد ذلك على القيمة المفقودة نفسها بالطريقة ذات الصلة بالنموذج. مثال تقريبي: إذا كان عدم حضور المتابعة يعتمد على العمر وقياسات سابقة متاحة، فقد تساعد نماذج تتضمن تلك المعلومات. هذا الافتراض هو أساس كثير من طرق الاحتمال والتعويض المتعدد، لكنه يظل افتراضًا لا يمكن عادة إثباته بالكامل من البيانات التي لم نرها.

الفقد غير العشوائي MNAR

يُستخدم MNAR عندما يبقى احتمال الفقد مرتبطًا بالقيمة غير المرصودة حتى بعد أخذ المعلومات المرصودة في الحسبان. مثال محتمل: شخص ذو نتيجة شديدة جدًا يمتنع عن الإبلاغ بسبب شدة النتيجة نفسها، ولا تلتقط المتغيرات المرصودة هذا السبب بما يكفي. هنا تحتاج الاستنتاجات إلى افتراضات إضافية، وغالبًا إلى نماذج نمطية أو نماذج اختيار وتحليلات حساسية. لا توجد خوارزمية عامة تستعيد الحقيقة من MNAR من دون معلومات أو افتراضات غير قابلة للتعلم من البيانات المرصودة وحدها.

وصف الفقد قبل النمذجة

ابدأ بجدول يوضح عدد القيم المفقودة لكل متغير ووقت ومجموعة، ثم افحص أنماط التشارك: هل يغيب متغير واحد غالبًا أم مجموعات كاملة؟ هل الفقد أحادي الاتجاه في متابعة طولية أم متقطع؟ قارن الخصائص المرصودة بين من لديهم النتيجة ومن فقدت منهم، مع الانتباه إلى أن هذه المقارنة لا تختبر MNAR مباشرة. ارسم الفقد عبر الزمن ومواقع الدراسة وأذرع التدخل إذا كان ذلك مناسبًا.

سجل أسباب الفقد عند توفرها، لكن لا تفترض أن عبارة عامة مثل «فقد للمتابعة» تشرح الآلية. قد يجمع السبب الإداري نفسه حالات مختلفة. ومن الأفضل فصل البيانات غير المقاسة عن القيم غير المطبقة منطقيًا وعن الأخطاء التي حُولت إلى missing أثناء التنظيف.

لماذا حذف الحالات الكاملة ليس الحل الافتراضي؟

Complete-case analysis يستخدم فقط السجلات التي تتوافر فيها جميع المتغيرات المطلوبة للنموذج. هو بسيط وشفاف، وقد يكون صالحًا في حالات محددة تحت افتراضات مناسبة، لكنه قد يحذف نسبة كبيرة من العينة عندما يكون لكل متغير قدر صغير من الفقد. كما قد يغير تركيب العينة ويؤدي إلى تحيز إذا كان اكتمال السجل مرتبطًا بالنتيجة أو بعوامل مؤثرة.

لا يصح القول إن complete-case «خاطئ دائمًا»، كما لا يصح استخدامه آليًا. يجب تبرير متى يعطي تقديرًا مناسبًا للسؤال المحدد، وذكر عدد المشاركين المستبعدين وخصائصهم، ومقارنته بتحليل يعتمد معلومات أكثر عندما يكون ذلك ممكنًا.

التعويض الأحادي ومشكلة اليقين الزائف

طرق مثل استبدال القيمة المفقودة بالمتوسط، أو آخر قيمة مرصودة، أو قيمة متوقعة واحدة قد تبدو عملية لأنها تنتج ملفًا مكتملًا. المشكلة أن القيمة المعوضة تعامل بعد ذلك غالبًا كأنها معلومة يقينية. هذا قد يشوه التباينات والعلاقات وفواصل الثقة، وقد يفرض افتراضًا غير واقعي على المسار الزمني. «آخر قيمة محمولة للأمام» مثلًا تفترض ضمنيًا أن المسار بعد الانقطاع يبقى عند آخر قياس في كثير من الاستخدامات، وهو افتراض يحتاج دفاعًا لا مجرد راحة حسابية.

يمكن أن تكون هناك استخدامات تنبؤية أو هندسية خاصة للتعويض الأحادي داخل خط أنابيب مضبوط، لكن الاستدلال الإحصائي يحتاج احتساب عدم اليقين الناتج عن غياب القيم. لذلك لا ينبغي مساواة «ملء الخانات» بمعالجة علمية للفقد.

التعويض المتعدد Multiple Imputation

التعويض المتعدد ينشئ عدة نسخ معقولة من القيم المفقودة بدل قيمة واحدة، يحلل كل مجموعة مكتملة، ثم يجمع التقديرات مع احتساب التباين داخل التعويضات وبينها. مراجعة Sterne وزملائه في BMJ تشرح أن هذه الطريقة مرنة ومفيدة في البحوث الوبائية والسريرية، لكنها قد تعطي نتائج مضللة إذا كان نموذج التعويض سيئًا أو غير متوافق مع التحليل.

ماذا يجب أن يدخل نموذج التعويض؟

ينبغي أن يتضمن المتغيرات الموجودة في نموذج التحليل، والمتغيرات التي تتنبأ بالقيم المفقودة، والمتغيرات التي تتنبأ بحدوث الفقد عندما تساعد على جعل MAR أكثر معقولية. وقد تكون القياسات المكررة أو مؤشرات ما قبل الفقد ذات قيمة كبيرة. لكن إضافة متغيرات بلا تفكير ليست ضمانًا؛ يجب مراعاة نوع المتغير، العلاقات غير الخطية، التفاعلات، الحدود المنطقية وبنية التجميع أو الزمن.

التوافق بين نموذج التعويض ونموذج التحليل

إذا كان التحليل النهائي يتضمن تفاعلًا أو علاقة غير خطية أو بنية متعددة المستويات، يجب أن يستطيع نموذج التعويض الحفاظ على هذه البنية بما يكفي. نموذج تعويض أبسط بصورة غير متوافقة قد يضعف العلاقة التي يريد التحليل تقديرها. كذلك يجب ألا تستخدم معلومات لم تكن متاحة منطقيًا عند التطبيق المتوقع إذا كان الهدف نموذج تنبؤ مستقبلي.

عدد التعويضات والتقارب

لا توجد قاعدة واحدة لعدد التعويضات تناسب كل دراسة. العدد المطلوب يعتمد على مقدار المعلومات المفقودة والهدف من الدقة والاستقرار. المهم فحص التقارب والتوزيعات والنتائج غير المنطقية، وعدم الاكتفاء بأن البرنامج أنهى التنفيذ. ينبغي توثيق عدد التعويضات، الخوارزمية، المتغيرات الداخلة، طريقة الجمع وأي قيود طبقت.

طرق الاحتمال والنماذج المختلطة

في بعض التصاميم يمكن استخدام likelihood-based methods التي تستفيد من جميع الملاحظات المتاحة تحت افتراضات نموذجية مثل MAR، من دون إنشاء مجموعات بيانات معوضة صراحة. النماذج المختلطة للقياسات المتكررة مثال شائع في البيانات الطولية، لكنها لا «تحل» MNAR تلقائيًا. صلاحيتها تعتمد على نموذج النتيجة، بنية الارتباط، والسؤال والافتراضات حول الفقد.

الاختيار بين التعويض المتعدد والاحتمال الكامل ليس مسابقة عامة. قد يكون كلاهما مناسبًا في سياقات مختلفة، وقد تكون طرق الترجيح باحتمال الرصد أو نماذج أخرى أنسب لبعض الأسئلة. القرار ينبغي أن يسبق النتائج ويُربط بتصميم الدراسة والـestimand.

الترجيح باحتمال الرصد

Inverse probability weighting يمكن أن يعيد وزن المشاركين المرصودين وفق احتمال بقائهم أو توفر بياناتهم، بحيث يمثلون أشخاصًا مشابهين فقدت بياناتهم تحت افتراضات محددة. يحتاج النموذج إلى تقدير جيد لاحتمال الرصد وإلى إيجابية كافية؛ الأوزان الشديدة قد تزيد عدم الاستقرار. كما أن الترجيح يعتمد على قياس المتغيرات التي تفسر الفقد، ولا يزيل الحاجة إلى تحليل الحساسية إذا كان MNAR معقولًا.

تحليل الحساسية ليس إضافة تجميلية

لأن كثيرًا من افتراضات الفقد لا يمكن التحقق منها من القيم المرصودة وحدها، يجب سؤال: كيف تتغير النتيجة تحت افتراضات بديلة معقولة؟ Cochrane وICH E9(R1) يضعان تحليل الحساسية في قلب تقييم المتانة. يمكن استخدام delta adjustment أو pattern-mixture models أو selection models أو سيناريوهات tipping point بحسب التصميم والسؤال.

الفكرة ليست البحث عن تحليل بديل يعطي النتيجة المرغوبة. يجب تحديد مجموعة افتراضات ذات معنى سريري أو علمي ثم عرض مدى حساسية الاستنتاج لها. إذا انقلب الاستنتاج تحت تغير صغير ومعقول، فهذه معلومة مهمة يجب أن تظهر في المناقشة لا أن تُخفى.

ما هو Tipping Point؟

تحليل نقطة الانقلاب يسأل: ما مقدار الاختلاف المفترض في نتائج الأشخاص المفقودين اللازم لتغيير الاستنتاج الرئيسي؟ هو طريقة تواصلية مفيدة لأنه يترجم افتراض MNAR إلى سيناريو يمكن مناقشته. لكنه لا يثبت أن السيناريو عند نقطة الانقلاب هو الحقيقة، ولا يختار بنفسه ما هو «معقول». تقدير المعقولية يحتاج معرفة بالمجال والبيانات المساعدة وأسباب الفقد.

البيانات المفقودة في التجارب العشوائية

في التجارب يجب منع الفقد قدر الإمكان منذ التصميم، مع الاستمرار في جمع النتائج حتى بعد إيقاف العلاج عندما يسمح البروتوكول والأخلاقيات بذلك ويظل القياس ذا معنى. تقرير National Academies لعام 2010 شدد على أن الوقاية من الفقد أفضل من محاولة إصلاحه إحصائيًا لاحقًا، وأن الخطة يجب أن تحدد أسباب الفقد واستراتيجيات المتابعة والتحليل قبل النتائج.

ينبغي أيضًا الفصل بين الانسحاب من العلاج والانسحاب من جمع البيانات؛ إيقاف التدخل لا يعني تلقائيًا فقد نتيجة المتابعة. هذا التفريق يقلل missingness ويجعل السؤال العلاجي أوضح.

النية للعلاج لا تعني اختراع نتائج مفقودة

Intention-to-treat يعني عمومًا تحليل المشاركين وفق المجموعة التي عُيّنوا إليها بما يتوافق مع السؤال، لكنه لا يجعل القياسات التي لم تُجمع موجودة. عبارة «تحليل ITT» لا تصف وحدها طريقة معالجة الفقد. يجب شرح من دخل كل تحليل، وما القيم المتاحة، وما النموذج أو التعويض المستخدم، وأي افتراضات وحساسية أُجريت.

التقارير الحديثة: ماذا يطلب CONSORT 2025؟

حدّث CONSORT 2025 إرشادات الإبلاغ عن التجارب العشوائية وأضاف صراحة البند 21c لشرح كيفية معالجة البيانات المفقودة في التحليل، إلى جانب تحديد من أُدخل في كل تحليل وفي أي مجموعة. هذا مطلب للإبلاغ والشفافية؛ لا يحدد طريقة إحصائية واحدة بوصفها الأفضل لجميع التجارب. التقرير الجيد يذكر حجم الفقد حسب المجموعة والوقت، الأسباب عندما تعرف، طريقة التحليل، الافتراضات والتحليلات الحساسة.

البيانات المفقودة في الدراسات الرصدية

في الدراسات الرصدية قد يكون الفقد موجودًا في التعرضات والنتائج والمربكات معًا. التعويض المتعدد أو الترجيح قد يستفيد من متغيرات مساعدة، لكن التحيز من مربكات غير مقاسة ومن اختيار العينة لا يختفي لمجرد استخدام طريقة متقدمة للفقد. يجب تقييم مشكلة الفقد ضمن بنية التحيز السببي كاملة، لا كمسألة برمجية منفصلة.

إذا كان الهدف تقدير علاقة سببية، قد يؤثر إدخال متغيرات لاحقة للتعرض في نموذج الفقد أو التعويض على تفسير المعلمة. لذلك يحتاج اختيار المتغيرات إلى منطق سببي وزمني، لا فقط إلى ارتباطات آلية.

البيانات المفقودة في المراجعات المنهجية والتحليل التلوي

يميز Cochrane بين فقد دراسات كاملة، وفقد نتائج داخل دراسة، وفقد إحصاءات ملخصة، وفقد بيانات مشاركين. لكل مستوى استجابة مختلفة. قد يتطلب فقد الانحراف المعياري اشتقاقًا أو تواصلًا مع المؤلفين، بينما غياب دراسات بسبب عدم النشر يدخل في تحيز الإبلاغ ولا يُحل بتعويض قيم مشاركين.

من المبادئ العملية: محاولة الحصول على البيانات من الباحثين الأصليين، إعلان افتراضات أي تعويض، تقييم خطر التحيز، إجراء تحليلات حساسية، ومناقشة أثر الفقد في الاستنتاج. لا ينبغي استخدام سيناريو «أفضل حالة/أسوأ حالة» ميكانيكيًا إذا كانت الحدود القصوى غير معقولة ولا تساعد على فهم السيناريوهات المحتملة.

هل يمكن اختبار MAR أو MNAR من البيانات؟

يمكن فحص ارتباط مؤشرات الفقد بالمتغيرات المرصودة، وبناء نماذج تتنبأ بمن يغيب، واستخدام اختبارات تشخيصية مفيدة. لكن لا يمكن عادةً استنتاج العلاقة بين احتمال الفقد والقيمة التي لم نرها من البيانات المرصودة وحدها من دون افتراضات أو معلومات خارجية. لهذا لا تعلن الدراسة «ثبت أن البيانات MAR» بناءً على اختبار واحد. الأفضل وصف الأدلة التي تجعل افتراضًا أكثر أو أقل معقولية ثم اختبار متانة الاستنتاج لبدائل مهمة.

أخطاء شائعة في معالجة الفقد

من الأخطاء حذف كل سجل ناقص من دون وصف، أو استبدال المتوسط ثم استخدام فواصل ثقة عادية، أو اعتبار آخر قيمة مرصودة حقيقة مستقبلية، أو اختيار طريقة التعويض بعد رؤية أيها يحافظ على الدلالة، أو استخدام نموذج تعويض لا يحتوي متغيرات أساسية من نموذج التحليل، أو تجاهل التجميع والزمن، أو الإبلاغ عن «استخدمنا multiple imputation» من دون تفاصيل. ومن الأخطاء أيضًا افتراض أن البرمجية قادرة على تحديد آلية الفقد بدل الباحث.

خطأ آخر هو اعتبار النتيجة بعد التعويض أكثر «حقيقية» من البيانات الأصلية. القيم المعوضة ليست قياسات جديدة؛ هي أدوات لدمج عدم اليقين تحت نموذج. ولذلك يجب أن تبقى الافتراضات مرئية للمراجع والقارئ.

خطة عملية قبل التحليل

قبل جمع البيانات

حدد المتغيرات والزيارات الضرورية، صمم إجراءات تقلل الانقطاع، افصل إيقاف التدخل عن توقف المتابعة، سجل أسباب الفقد بصورة منظمة، وحدد الـestimand وخطة التحليل الأساسية والحساسية. إذا كانت البيانات من سجلات أو مصادر ثانوية، افحص قواعد إنشاء الحقول ومتى تصبح القيمة غير متاحة.

بعد استلام البيانات

أنشئ قاموسًا يميز missing الحقيقي من not applicable ومن القيم غير الصالحة. صف النسب والأنماط حسب الوقت والمجموعة. افحص المتغيرات المرتبطة بالفقد. حدد ما إذا كانت الطريقة الأساسية complete-case أو likelihood أو multiple imputation أو weighting أو مزيجًا منها ولماذا. نفذ تشخيصات النموذج ثم حساسية MNAR مناسبة للسؤال.

عند كتابة التقرير

اعرض عدد المشاركين أو السجلات في كل مرحلة، أسباب الفقد، عدد القيم لكل متغير مهم، الطريقة والبرنامج والإعدادات الأساسية، المتغيرات الداخلة في التعويض أو الترجيح، عدد التعويضات، الافتراضات، تحليلات الحساسية وأثرها. إذا اختلفت النتيجة جذريًا بين الافتراضات فلا تختزل التقرير في نتيجة واحدة.

كيف يقيّم القارئ معالجة البيانات المفقودة؟

اسأل أولًا: كم فُقد وأين ولمن؟ ثم: هل أسباب الفقد مرتبطة بالنتيجة أو التعرض؟ هل يتوافق التحليل مع السؤال والـestimand؟ هل شرحت الدراسة افتراض MAR أو غيره بدل تسميته فقط؟ هل استُخدمت متغيرات مساعدة ذات معنى؟ هل نموذج التعويض متوافق مع نموذج التحليل؟ هل عُرضت حساسية لسيناريوهات غير عشوائية عندما تكون معقولة؟ وهل تغير الاستنتاج؟

وجود تقنية متقدمة لا يعوض ضعف التوثيق. أحيانًا يكون تحليل بسيط مع افتراض واضح وحساسية جيدة أكثر قابلية للتقييم من نموذج معقد لا يستطيع القارئ معرفة ما يفترضه.

روابط داخلية مترابطة

لربط تحليل الفقد بمنظومة الدليل في روافد، راجع /content/study-designs-bias-and-causality لفهم التحيز والتصميم، و/content/preregistration لتثبيت خطة التحليل قبل النتائج، و/content/registered-reports لمراجعة التصميم والتحليل قبل التنفيذ، و/content/evidence-literacy للقراءة النقدية، و/content/how-to-read-systematic-review لتقييم المراجعات، و/content/certainty-of-evidence-and-recommendations لفهم أثر عدم اليقين على يقين الدليل، و/sections/research-evidence-learning لبقية المسار.

أسئلة شائعة

الخلاصة

تحليل البيانات المفقودة ليس تمرينًا لملء الفراغات بل مسألة استدلال تعتمد على سبب الفقد والسؤال الذي نريد الإجابة عنه. المنهج الأقوى يبدأ بالوقاية وجمع المتابعة، يعرّف الـestimand، يصف الفقد، يختار طريقة تتوافق مع البيانات والتحليل، ويجعل الافتراضات قابلة للتدقيق. التعويض المتعدد والاحتمال والترجيح أدوات مهمة لكنها لا تلغي افتراضاتها، وMNAR لا يُحل بخوارزمية سحرية. عندما تكون الحقيقة غير قابلة للتعلم من البيانات المرصودة وحدها، يصبح تحليل الحساسية والشفافية هما الوسيلة الصحيحة لبيان مقدار اعتماد النتيجة على ما نفترضه عن القيم التي لم نرها.