Don't Drop the Singletons: Efficient Inference for Pairwise Experiments with Independent Attrition

في عالم التجارب العلمية، غالبًا ما يواجه الباحثون خيارًا صعبًا بين الدقة والواقعية العملية. لمعرفة ما إذا كان علاج جديد فعالًا، يستخدم العلماء كثيرًا طريقة تسمى "العشوائية"، حيث يتم تعيين المشاركين إما لمجموعة العلاج أو لمجموعة الضبط عن طريق الصدفة. وثمة نسخة شائعة وقوية من هذا الأسلوب تتضمن تجميع المشاركين في أزواج متشابهة للغاية مع بعضهم البعض—ربما جيران ذوو دخل متقارب أو طلاب ذوو درجات اختبار متشابهة—ثم يتم إعطاء العلاج عشوائيًا لأحد الأشخاص في الزوج بينما يعمل الآخر كعنصر ضابط. هذا النهج "المزدوج" يشبه امتلاك عنصر ضبط مدمج لكل موضوع على حد- سواء، مما يجعل النتائج عادةً أكثر حدة وموثوقية من مجرد مقارنة مجموعتين كبيرتين مختلفتين. ومع ذلك، فإن مشكلة مستمرة في الدراسات الواقعية هي "الاستنزاف": وهو تسرب المشاركين من التجربة قبل انتهائها. وعندما يحدث هذا، قد يفقد الزوج أحد أعضائه، مما يترك الشخص الآخر بدون شريك. ولسنوات طويلة، كان النصيحة القياسية هي التخلص من هؤلاء "الأفراد المنفردين" (singletons) وتحليل الأزواج التي بقي فيها كلا الشخصين فقط. كان المنطق وراء ذلك هو أنه بدون شريك، تصبح البيانات فوضوية للغاية بحيث لا يمكن استخدامها. ومع ذلك، فإن هذه الممارسة تعني أن الباحثين كانوا يتخلصون من معلومات قيمة، مما يؤدي فعليًا إلى تقليص دراستهم ويجعل من الصعب اكتشاف التأثيرات الحقيقية.

لقد تحدى باحثان، سايمون هيس وباتريك دبليو شميت، هذه القاعدة المستمرة لسنوات. إذ يجادلان بأن الخوف من استخدام البيانات من الأزواج غير المكتملة هو خوف في غير محله، طالما أن سبب تسرب الأشخاص غير مرتبط بالعلاج الذي تلقوه. وفي عملهما الجديد، يثبتان أنه من الممكن الاحتفاظ بكل ملاحظة، حتى المنفردة منها، ومع ذلك الحصول على نتائج دقيقة للغاية. لقد طوروا طريقة جديدة لتحليل البيانات تحترم هيكل التزاوج الأصلي مع دمج المعلومات من الأزواج الكاملة مع المعلومات من الأزواج غير المكتملة بذكاء. وبدلاً من التخلص من الأفراد المنفردين، تعامل طريقتهم معهم كقطع مفيدة من اللغز، مع إعطائهم وزنًا مناسبًا بناءً على مقدار المعلومات التي يقدمونها. ومن خلال القيام بذلك، يظهرون أن الباحثين يمكنهم الحفاظ على دقة التصميم المزدوج دون المعاناة من العقوبة الإحصائية المتمثلة في فقدان البيانات بسبب التسرب.

إن جوهر اكتشافهما هو إجراء اختبار محدد يعمل بمثابة مرشح ذكي. فعندما تفقد دراسة ما مشاركًا، فإن النهج التقليدي ببساطة سيحذف الزوج بأكه من التحليل، وكأن ذلك الشخص لم يكن موجودًا أبدًا. ويوضح المؤلفان أن هذا الأمر يهدر قدرًا كبيرًا من الأدلة. وتستخدم طريقتهم الجديدة تقنية تسمى "الاستدلال العشوائي"، والتي تعتمد على حقيقة أن العلاج تم تعيينه عبر رمي عملة معدنية داخل كل زوج. إنهم ينشئون إحصائية اختبار تنظر إلى الفرق في النتائج للأز pairs الكاملة، والفرق في النتائج بين الأفراد المنفردين، ثم تمزج هذين المصدرين من المعلومات معًا. ويتم هذا المزج بدقة رياضية: فالأزواج الكاملة، التي تقدم مقارنة مباشرة بين شخصين متشابهين، تُمنح وزنًا أكبر، بينما الأفراد المنفردون، الذين يقدمون مقارنة أوسع عبر المجموعة بأكملها، يُمنحون وزنًا أصغر ولكنه لا يزال مهمًا. هذا الجمع يسمح للدراسة باستخدام كل نقطة بيانات متبقية، مما يعظم القدرة على اكتشاف التأثير الحقيقي.

ولإثبات نجاح ذلك، أجرى الباحثون محاكاة واسعة وحسابات نظرية. وقارنوا طريقتهم الجديدة بالطريقتين المعياريتين اللتين يتعامل بهما العلماء حاليًا مع هذه المشكلة. الطريقة المعيارية الأولى هي "اختبار t للمجموعات المزدوجة" (paired t-test)، والذي يتبع القاعدة القديمة المتمثلة في التخلص من الأزواج غير المكتملة. أما الطريقة الثانية فهي "اختبار t لعينتين" (two-sample t-test)، والذي يتجاهل التزاوج تمامًا ويقارن فقط متوسط جميع الأشخاص الذين تلقوا العلاج مقابل متوسط جميع أشخاص مجموعة الضبط. ووجد المؤلفون أن نهجهم الجديد تفوق باستمرار على كليهما. وفي السيناريوهات التي كانت فيها جودة المطابقة عالية—أي أن الأزواج كانت متطابقة تمامًا—فقدت الطريقة المزدوجة القديمة الكثير من القدرة بمجرد بدء تسرب الناس. أما الطريقة التي تجاهلت التزاوج تمامًا فكانت غالبًا متحفظة للغاية، وفشلت في رؤية التأثيرات الموجودة بالفعل. ومع ذلك، سيطرت الطريقة الجديدة على كليهما، وقدمت نتائج أقوى عبر كل مستوى من مستويات التسرب وجودة المطابقة التي اختبروها.

كما تناول الباحثون مصدر قلق شائع حول ما إذا كانت هذه الطريقة الجديدة معقدة للغاية للاستخدام العملي. فقد أظهروا أن الوزن والاختبار المعقدين يمكن تنفيذهما باستخدام أداة إحصائية قياسية تسمى "الانحدار الموزون" (weighted regression)، وهي متوفرة في معظم حزم البرامج الشائعة. يمكن للباحث ببساطة إخبار البرنامج بتضمين جميع البيانات، وتعيين وزن محدد للأفراد المنفردين، وتضمين تأثيرات ثابتة للأزواج الكاملة. وهذا يجعل الطريقة الجديدة القوية متاحة لأي شخص يمكنه إجراء تحليل أساسي، مما يزيل الحاجة إلى استخدام كود برمجي مخصص ومتخصص. ويؤكد المؤلفون أن هذا الحل يعمل بشكل أفضل عندما يحدث التسرب لأسباب غير مرتبطة بالعلاج، مثل الانتقال بعيدًا أو فقدان الاهتمام، بدلاً من أن يكون السبب هو شعور الشخص بالسوء بسبب العلاج. فإذا كان التسرب مرتبطًا بالعلاج نفسه، يصبح الأمر أصعب بكثير، ولكن في غالبية الحالات التي يكون فيها التسرب عشوائيًا، توفر الطريقة الجديدة مسارًا واضحًا للمضي قدمًا.

وفي فحص أخير، قارن المؤلفون تصميمهم المزدوج المحسن باستراتيجية أخرى غالبًا ما يُوصى بها عند توقع حدوث تسرب: وهي استخدام مجموعات أكبر بدلاً من الأزواج، مثل مجموعات مكونة من أربعة أشخاص. الفكرة هي أنه في مجموعة من أربعة أشخاص، إذا غادر شخص واحد، يتبقى ثلاثة، مما يحافظ على المزيد من هيكل المجموعة. وقد حاكى الباحثون هذا السيناريو ووجدوا أنه حتى مع المجموعات الأكبر، ظل منهجهم المحسن للأزواج صامدًا. وفي كثير من الحالات، كانت الكفاءة المكتسبة من المطابقة الوثيقة للأزواج، عند دمجها مع طريقتهم في استخدام جميع البيانات المتاحة، كافية للتفوق على المجموعات الأكبر. وهذا يشير إلى أن الباحثين ليسوا بحاجة إلى التخلي عن تصميم الأزواج لمجرد خشيتهم من التسرب، بل يمكنهم التمسك باستراتيجية التزاوج الأكثر دقة وتطبيق تقنية التحليل الجديدة لضمان عدم إضاعة أي من البيانات التي بذلوا جهدًا كبيرًا لجمعها.

إن الآثار المترتبة على هذا العمل واضحة لأي شخص يدير دراسة. فهي تزيل المقايضة بين الحفاظ على تصميم محكم وفعال وبين فقدان البيانات بسبب التسرب. ومن خلال رفض استبعاد الأفراد المنفردين ودمجهم بدلاً من ذلك في التحليل بالوزن الصحيح، يمكن للباحثين الحفاظ على قوة دراساتهم ومتانة استنتاجاتهم. توفر الورقة البحثية مجموعة أدوات عملية تحول نقطة ضعف محتملة—وهي فقدان المشاركين—إلى جزء يمكن إدارته، مما يضمن أن النتائج النهائية تعكس النطاق الكامل للتجربة وليس فقط أولئك الذين بقوا فيها.