fa داده‌های گم شده (Missing Data) در پژوهش‌های علوم پزشکی: مروری کاربردی و مصور برای پژوهشگران و دانشجویان عمومى General آموزشی آموزشی <div style="text-align: justify;"><span dir="RTL" lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:">داده‌های گم &shy;شده یکی از چالش‌های مهم در پژوهش‌های علوم پزشکی و اپیدمیولوژی هستند و در صورت مدیریت نامناسب می‌توانند منجر به سوگیری، کاهش توان آماری و برداشت‌های نادرست شوند. با وجود اهمیت این موضوع، منابع فارسی جامع و درعین‌حال کاربردی در این زمینه محدود است. این مقاله با رویکرد آموزشی، مروری روشن و منسجم بر مفاهیم پایه‌ای داده‌های گم&shy; شده از جمله تعریف‌ها، الگوهای بروز (تک‌متغیره و چندمتغیره) و سه سازوکار اصلی گم &shy;شدگی شامل MAR، MCAR و MNAR&nbsp;ارائه می‌کند. همچنین طیفی از روش‌های رایج در مدیریت داده‌های گم &shy;شده، از حذف موارد گم&shy; شده تا جای &shy;گذاری‌های ساده و رویکردهای پیشرفته‌تر مانند جای گذاری چندگانه و روش‌های مبتنی بر درست&shy;نمایی&nbsp; نظیر الگوریتم EM </span></span><span dir="RTL" lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:">و </span></span><span style="font-size:10.0pt"><span new="" roman="" style="font-family:" times="">MLE</span></span><span dir="RTL" lang="FA" style="font-size:10.0pt"><span b="" nazanin="" style="font-family:"> به‌طور خلاصه و قابل‌فهم ارائه شده‌ و برای تقویت درک مفهومی و کاربردی‌سازی مطالب، از مثال‌های روشن و مصورسازی‌های آموزشی بهره گرفته شده است. هدف نهایی مقاله فراهم کردن چارچوبی عملی برای پژوهشگران و دانشجویان است تا بتوانند در طراحی و تحلیل پژوهش‌های خود، رویکرد مناسب را برای مواجهه با داده‌های گم&shy; شده برگزینند و از بروز خطاهای تحلیلی پیشگیری کنند.</span></span></div> <div style="text-align: justify;"><span style="font-size:11.0pt"><span cen="" mt="" style="font-family:" tw="">Missing data is a common and unavoidable challenge in medical and epidemiological research, often leading to biased estimates, reduced statistical power, and misleading interpretations when not properly addressed. Despite its importance, accessible and practical educational resources on this topic remain limited in Persian. This educational article provides a clear and structured overview of the fundamental concepts of missing data, including definitions, common patterns (univariate and multivariate), and the three major mechanisms of missingness: MCAR, MAR, and MNAR. A range of widely used approaches for handling missing data is summarized, from basic methods such as case deletion and simple imputation to more advanced techniques including multiple imputation and likelihood-based procedures (EM and MLE). Practical examples and visual illustrations are incorporated to facilitate conceptual understanding. The ultimate goal of this article is to provide a practical framework for researchers and students, enabling them to select the appropriate approach for dealing with missing data in the design and analysis of their research and to prevent analytical errors.</span></span></div> داده های گم‌شده, الگوهای گمشدگی, MNAR ,MAR ,MCAR, جای گذاری چندگانه Missing data, Missing data patterns, MCAR, MAR, MNAR, Multiple imputation 346 365 http://irje.tums.ac.ir/browse.php?a_code=A-10-3508-1&slc_lang=fa&sid=1 Parisa Amjadi Zin Hajloo پریسا امجدی زین حاجلو Parisa_Amjadi6466@yahoo.com No Master of Epidemiology, Department of Epidemiology and Biostatistics, School of Medicine, Urmia University of Medical Sciences, Urmia, Iran کارشناس ارشد اپیدمیولوژی، گروه اپیدمیولوژی و آمار زیستی، دانشکده پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران Mohammad Heidari محمد حیدری heidari.m@umsu.ac.ir Yes Assistant Professor of Epidemiology, Department of Epidemiology and Biostatistics, School of Medicine, Urmia University of Medical Sciences, Urmia, Iran استادیار اپیدمیولوژی، گروه اپیدمیولوژی و آمار زیستی، دانشکده پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران