Zum Inhalt springen
Zurück zu den Suchergebnissen

Longitudinal Research — Longitudinal Research Design

Eingeführt von
No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
Jahr
Late 19th–early 20th century; methodologically codified through the 20th century
Typ
Quantitative (or mixed) observational research design
Familie
Survey / observational design

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Längsschnittforschung (Longitudinal Research) ist ein Beobachtungsdesign, bei dem dieselben Teilnehmer, Gruppen oder Einheiten über einen längeren Zeitraum wiederholt gemessen werden.

Anstatt einen einzelnen Schnappschuss zu erfassen, verfolgt es Veränderungen, Stabilität und zeitliche Abfolgen von Variablen — und ist damit die primäre nicht-experimentelle Strategie zur Untersuchung von Entwicklung, Wachstum, Rückgang und dem Entfalten von Kausalprozessen über die Zeit.

Die Intuition hinter der Methode

Stellen Sie sich longitudinale Forschung als das Verfolgen derselben Personen (oder Organisationen oder Schulen) durch eine Reihe von Kontrollpunkten vor, anstatt viele verschiedene Personen gleichzeitig zu fotografieren. Indem der Forscher zu denselben Einheiten zurückkehrt, kann er sehen, wer sich wie stark, in welche Richtung verändert hat und ob frühe Messungen spätere Ergebnisse vorhersagen. Diese zeitliche Verfolgung unterscheidet Längsschnittdesigns von Querschnittsdesigns: Anstatt Veränderungen aus Unterschieden zwischen zu einem Zeitpunkt gemessenen Gruppen abzuleiten, beobachtet man Veränderungen direkt innerhalb derselben Einheiten, die zu mehreren Zeitpunkten gemessen wurden.

Geschichte

Longitudinale Methoden entstanden im späten 19. Jahrhundert durch Wachstumsstudien, die die körperliche Entwicklung von Kindern verfolgten, und in der Epidemiologie durch Kohortenstudien, die die Krankheitsinzidenz verfolgten. Bedeutende longitudinale Datensätze des 20. Jahrhunderts — darunter die Berkeley Growth Study (1928), die British Cohort Studies (1958, 1970) und die Framingham Heart Study (1948) — prägten die Entwicklung der Methodik. Statistische Rahmenwerke für die Analyse longitudinaler Daten reiften in den 1980er und 1990er Jahren durch die Arbeit von Forschern wie Judith Singer, John Willett und Michael Raudenbush erheblich, gipfelnd in weit verbreiteten Lehrbüchern und Software für Mehrebenen- und Wachstumskurvenmodellierung.

Wann wird sie eingesetzt?

Verwenden Sie longitudinale Forschung, wenn die Kernfrage Veränderungen oder Entwicklungen über die Zeit betrifft — zum Beispiel, wie sich schulische Leistungen von der Grundschule zur Sekundarstufe entwickeln, wie sich Gesundheitsverläufe nach einem medizinischen Ereignis entfalten oder ob eine Einstellung, die zu einem Zeitpunkt gemessen wurde, ein später gemessenes Verhalten vorhersagt. Es ist das geeignete Design, wenn Querschnittsdaten Alters- und Kohorteneffekte nicht unterscheiden können und wenn Veränderungen innerhalb von Personen theoretisch bedeutsam sind. Verwenden Sie keine longitudinale Forschung, wenn das Phänomen im Wesentlichen statisch ist, wenn der erforderliche Nachbeobachtungszeitraum die verfügbaren Ressourcen übersteigt oder wenn die Attrition in der Zielpopulation so stark ist, dass die verbleibende Stichprobe nicht mehr repräsentativ ist. Querschnittsdesigns sind effizienter, wenn ein einzelner Schnappschuss ausreicht, um die Forschungsfrage zu beantworten.

Grenzen und Hinweise

  • Attrition (Dropout) über die Wellen hinweg bedroht die interne Validität, wenn diejenigen, die die Studie verlassen, systematisch von denen abweichen, die bleiben.
  • Lange Nachbeobachtungszeiträume sind ressourcenintensiv — Finanzierung, Personal und Teilnehmerbindung summieren sich im Laufe der Zeit.
  • Wiederholte Messung derselben Teilnehmer kann Testeffekte hervorrufen: Vertrautheit mit Instrumenten, Sensibilisierung für Themen oder Übungseffekte bei Tests.
  • Kann unbeobachtete zeitveränderliche Störfaktoren nicht auf die gleiche Weise kontrollieren wie ein randomisiertes Experiment; kausale Aussagen bleiben probabilistisch.
  • Historische Veränderungen zwischen den Wellen (Periodeneffekte) können beobachtete Trends verzerren und sind schwer von der Entwicklung innerhalb von Personen zu trennen.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Beobachtet direkt Veränderungen innerhalb von Personen oder Einheiten, anstatt sie aus Querschnitts-Altersvergleichen abzuleiten.
  • Stellt die zeitliche Abfolge von Variablen her und liefert damit stärkere (wenn auch nicht schlüssige) Hinweise auf die kausale Richtung als Designs mit einer einzigen Welle.
  • Ermöglicht die Trennung von Alters-, Kohorten- und Periodeneffekten, wenn mehrere Kohorten verfolgt werden.
  • Ermöglicht die Schätzung individueller Wachstumstrajektorien und die Identifizierung von Untergruppen mit unterschiedlichen Entwicklungsmustern.
  • Gesammelte Längsschnittdatensätze (z. B. Geburtskohortenstudien) können über Jahrzehnte hinweg mehrere Forschungsfragen beantworten.

Anwendungen

  • Verfolgung der kognitiven Entwicklung, schulischer Leistungen und des sozial-emotionalen Wachstums von der Kindheit bis zur Jugend.
  • Verfolgung von Patientenkohorten nach Operationen, Diagnosen oder Behandlungen, um Erholungswege abzubilden und Prädiktoren für Rückfälle zu identifizieren.
  • Überwachung von Organisations- oder Arbeitsplatzergebnissen — Mitarbeiterengagement, Kündigungsabsicht, Produktivität — über Wirtschaftszyklen hinweg.
  • Untersuchung der langfristigen Auswirkungen von Politikinterventionen in den Bereichen Bildung, öffentliche Gesundheit oder Arbeitsmärkte ohne zufällige Zuweisung.
  • Untersuchung, wie sich Persönlichkeit, Einstellungen und Werte über Lebensphasen hinweg in der Entwicklungs- und Sozialpsychologie verändern.
  • Modellierung der Krankheitsinzidenz und der Akkumulation von Risikofaktoren in epidemiologischen Geburtskohorten- oder Berufskohortenstudien.

So funktioniert es

So funktioniert es

1

Der Forscher definiert die Forschungsfrage in Bezug auf Veränderung oder Stabilität über die Zeit und entscheidet sich für den Längsschnittrahmen: ein Paneldesign (dieselben Individuen in jeder Welle), ein Kohortendesign (eine Gruppe mit einer gemeinsamen Erfahrung, die verfolgt wird) oder ein Trenddesign (dieselbe Population, die in jeder Welle unabhängig beprobt wird). Der Zeitrahmen, die Anzahl der Messwellen und die Intervalle zwischen den Wellen werden so geplant, dass sie dem erwarteten Veränderungstempo des interessierenden Phänomens entsprechen.

2

Eine Stichprobe von Teilnehmern oder Einheiten wird rekrutiert, die repräsentativ für die Zielpopulation ist und groß genug, um nach erwartetem Dropout zwischen den Wellen (Attrition) analytisch angemessen zu bleiben. Rekrutierungskriterien müssen klar spezifiziert werden, damit die Anfangsstichprobe über die Wellen hinweg verfolgt und wieder kontaktiert werden kann. Bei Panel- und Kohortendesigns ist die Aufrechterhaltung von Kontaktinformationen und die Beteiligung der Teilnehmer über die Wellen hinweg von Anfang an eine kritische logistische Herausforderung.

3

Daten werden von denselben Einheiten in jeder vorher festgelegten Welle mit konsistenten Instrumenten und Verfahren erhoben. Die Instrumente sollten über die Wellen hinweg konstant gehalten werden, um Messäquivalenz zu gewährleisten; notwendige Aktualisierungen müssen auf Vergleichbarkeit geprüft werden. Häufige Datenquellen sind Umfragen, standardisierte Tests, Verwaltungsdaten und biologische oder Verhaltensbeurteilungen. Jede Datenerhebungswelle ist selbst ein vollständiges Messereignis, das Beprobung, Feldarbeit und Qualitätskontrolle erfordert.

4

Longitudinale Daten erfordern sorgfältiges Datenmanagement: Verknüpfung von Datensätzen über Wellen hinweg mithilfe eindeutiger Teilnehmeridentifikatoren, Handhabung fehlender Daten, die durch Attrition oder Skip-Muster entstehen, und Dokumentation von Änderungen an Instrumenten oder Erhebungsbedingungen. Fehlende Daten werden analytisch behandelt — Full-Information Maximum Likelihood (FIML) und Multiple Imputation (MI) werden gegenüber Listwise Deletion bevorzugt, da Attrition selten vollständig zufällig fehlt (MCAR).

5

Veränderungen über die Zeit werden mit analytischen Ansätzen untersucht, die auf die Datenstruktur und die Forschungsfrage abgestimmt sind. Häufige Strategien sind Wachstumskurvenmodellierung (individuelle Trajektorien über Mehrebenen- oder latente Wachstumskurvenmodelle), Panelregressionen mit festen und zufälligen Effekten, Kreuz-Lag-Panelmodelle für reziproke Kausalität und Überlebens- oder Ereignisverlaufsanalysen für Zeit-bis-Ereignis-Ergebnisse. Deskriptive Zusammenfassungen von Welle-zu-Welle-Veränderungen gehen inferenziellen Modellierungen voraus.

6

Ergebnisse werden in Bezug auf Richtung, Rate und Prädiktoren von Veränderungen interpretiert — und explizit durch die Einschränkungen des Designs (beobachtend, nicht experimentell; mögliche Selektionseffekte) qualifiziert. Die zeitliche Abfolge von Variablen — gemessen in verschiedenen Wellen — liefert stärkere Hinweise auf die kausale Richtung als Querschnittsdaten, aber Störfaktoren durch unbeobachtete zeitveränderliche Kovariaten müssen anerkannt werden.

Häufige Fallstricke

  • Ignorieren von Attritionsverzerrungen — Berichterstattung über Ergebnisse vollständiger Fälle ohne Prüfung, ob Dropouts von Completern bei wichtigen Basisvariablen abweichen, oder ohne Verwendung prinzipieller Methoden für fehlende Daten (FIML, MI), erhöht das Risiko verzerrter Schätzungen.
  • Messnicht-Äquivalenz über Wellen hinweg — wenn sich Wortlaut des Instruments, Antwortskalen oder Erhebungsbedingungen zwischen den Wellen ändern, können scheinbare Änderungen der Werte auf Messdrift statt auf tatsächliche Veränderungen zurückzuführen sein; konfigurale und metrische Invarianz sollten getestet werden.
  • Zu wenige Wellen für komplexe Veränderungsmodelle — die Anpassung von Wachstumskurvenmodellen mit nur zwei Wellen beschränkt das Modell auf eine gerade Linie und verhindert die Erkennung nicht-linearer Trajektorien; planen Sie mindestens drei Wellen ein, wann immer quadratische oder kurvenlineare Veränderungen plausibel sind.
  • Vermischung von Designtypen — Panel-, Kohorten- und Trenddesigns haben unterschiedliche Stichprobenstrukturen und beantworten unterschiedliche Fragen; die gleichzeitige Behandlung führt zu analytischen Fehlern und unangemessenen Verallgemeinerungen.
  • Unterschätzung von Nachbeobachtungsintervall-Effekten — zu kurze Intervalle erfassen möglicherweise keine sinnvollen Veränderungen; zu lange Intervalle verpassen möglicherweise wichtige Zwischenvariationen oder Spitzenwirkungen.

Häufig gestellte Fragen

Wie unterscheidet sich longitudinale Forschung von einer Panelstudie und einer Kohortenstudie?

Alle drei sind longitudinal, aber sie unterscheiden sich in der Stichprobenstruktur. Eine Panelstudie verfolgt dieselben Individuen in jeder Welle und ist darauf ausgelegt, Veränderungen auf individueller Ebene zu messen. Eine Kohortenstudie verfolgt Personen, die ein definierendes Merkmal oder eine gemeinsame Erfahrung teilen (z. B. im selben Jahr geboren, im selben Zeitraum diagnostiziert) und konzentriert sich auf Trajektorien auf Gruppenebene. Eine Trendstudie befragt unabhängige Stichproben aus derselben Population in jeder Welle und beschreibt Veränderungen auf Populationsebene, ohne Individuen zu verfolgen. Die Wahl hängt davon ab, ob Veränderungen innerhalb von Personen, Gruppentrajektorien oder Populationstrends das primäre Ziel sind.

Wie viele Messwellen brauche ich?

Das Minimum sind zwei Wellen, um Veränderungen festzustellen, aber zwei Wellen erlauben nur einen Differenzwert und können die Form der Veränderung nicht modellieren. Drei Wellen sind das praktische Minimum für die Wachstumskurvenmodellierung, da sie die Schätzung einer quadratischen Trajektorie ermöglichen. Mehr Wellen verbessern die Präzision individueller Trajektorienschätzungen und ermöglichen die Erkennung komplexerer Veränderungsmuster. Planen Sie Wellen so, dass sie mit theoretisch bedeutsamen Intervallen übereinstimmen, angesichts des erwarteten Veränderungstempos.

Wie gehe ich mit fehlenden Daten durch Dropout um?

Testen Sie zuerst, ob sich Dropouts von Completern bei wichtigen Basisvariablen unterscheiden (Attrition-Analyse). Verwenden Sie dann prinzipielle Methoden für fehlende Daten anstelle von Listwise Deletion: Full-Information Maximum Likelihood (FIML) unter Maximum-Likelihood-Schätzung oder Multiple Imputation (MI) vor der Analyse. Beide gehen davon aus, dass Daten zufällig fehlen (MAR), bedingt auf beobachteten Variablen. Wenn vermutet wird, dass das Fehlen von Daten vom unbeobachteten Ergebnis selbst abhängt (nicht zufällig fehlend, MNAR), sind Sensitivitätsanalysen mit Muster-Mischungs- oder Selektionsmodellen gerechtfertigt.

Beweist das longitudinale Design Kausalität?

Zeitliche Abfolge — Messung eines Prädiktors vor dem Ergebnis — ist eine notwendige Bedingung für Kausalität, und longitudinale Designs etablieren sie direkter als Querschnittsdesigns. Beobachtende longitudinale Designs können jedoch Störfaktoren durch unbeobachtete Variablen nicht ausschließen, sodass sie keine Kausalität beweisen. Techniken wie Kreuz-Lag-Panelmodelle, Fixed-Effects-Regression und Instrumentvariablenansätze können kausale Schlussfolgerungen stärken, aber jede hat ihre eigenen Annahmen. Randomisierte Experimente bleiben der Goldstandard für kausale Aussagen.

Was ist das Risiko von Testeffekten bei wiederholter Messung?

Wenn Teilnehmer wiederholt dieselben oder ähnliche Instrumente ausfüllen, kann ihre Vertrautheit mit Item-Formaten, Sensibilisierung für die Studienthemen oder Übung bei kognitiven Tests die Werte unabhängig von tatsächlichen Veränderungen erhöhen oder verringern. Risiken sind höher bei kurzen Inter-Wellen-Intervallen und bei leistungsbasierten Messungen. Minderungsstrategien umfassen die Verwendung paralleler Formen von Instrumenten, die Einbeziehung von Kontrollgruppen und die Bewertung der Retest-Reliabilität in Pilotstudien.

Verwandte Methoden

Quellen

  1. Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.

    ISBN: 978-0761922841
    Kopiert.
  2. Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.

    ISBN: 978-0195152968
    Kopiert.