Saltar al contenido
Volver a los resultados

Investigación Longitudinal — Diseño de Investigación Longitudinal

Propuesto por
No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
Año
Late 19th–early 20th century; methodologically codified through the 20th century
Tipo
Quantitative (or mixed) observational research design
Familia
Survey / observational design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La investigación longitudinal es un diseño observacional en el que los mismos participantes, grupos o unidades se miden repetidamente durante un período prolongado.

En lugar de capturar una única instantánea, rastrea el cambio, la estabilidad y la secuenciación temporal de las variables, lo que la convierte en la estrategia no experimental principal para estudiar el desarrollo, el crecimiento, la disminución y el despliegue de procesos causales a lo largo del tiempo.

La intuición detrás del método

Piense en la investigación longitudinal como el seguimiento de las mismas personas (u organizaciones, o escuelas) a través de una serie de puntos de control en lugar de fotografiar a muchas personas diferentes a la vez. Al regresar a las mismas unidades, el investigador puede ver quién cambió, cuánto, en qué dirección, y si las medidas tempranas predicen resultados posteriores. Este seguimiento temporal es lo que distingue los diseños longitudinales de los transversales: en lugar de inferir el cambio a partir de las diferencias entre grupos medidos en un momento dado, se observa el cambio directamente dentro de las mismas unidades medidas en múltiples momentos.

Historia

Los métodos longitudinales surgieron a fines del siglo XIX a través de estudios de crecimiento que rastreaban el desarrollo físico de los niños y en epidemiología a través de estudios de cohortes que rastreaban la incidencia de enfermedades. Los principales conjuntos de datos longitudinales del siglo XX, incluidos el Berkeley Growth Study (1928), los British Cohort Studies (1958, 1970) y el Framingham Heart Study (1948), dieron forma al desarrollo de la metodología. Los marcos estadísticos para el análisis de datos longitudinales maduraron sustancialmente en las décadas de 1980 y 1990 a través del trabajo de investigadores como Judith Singer, John Willett y Michael Raudenbush, culminando en libros de texto y software ampliamente adoptados para modelos multinivel y de curvas de crecimiento.

Cuándo usarlo

Utilice la investigación longitudinal cuando la pregunta central se refiera al cambio o desarrollo a lo largo del tiempo, por ejemplo, cómo evoluciona el rendimiento académico de la escuela primaria a la secundaria, cómo se desarrollan las trayectorias de salud después de un evento médico, o si una actitud medida en un momento predice un comportamiento medido más tarde. Es el diseño apropiado cuando los datos transversales no pueden distinguir los efectos de la edad de los efectos de la cohorte y cuando el cambio dentro de la persona es teóricamente significativo. No utilice la investigación longitudinal cuando el fenómeno sea esencialmente estático, cuando el período de seguimiento requerido exceda los recursos disponibles, o cuando la atrición en la población objetivo sea tan severa que la muestra retenida se vuelva no representativa. Los diseños transversales son más eficientes cuando una única instantánea es suficiente para responder a la pregunta de investigación.

Limitaciones y consideraciones

  • La atrición (deserción) entre olas amenaza la validez interna si quienes abandonan el estudio difieren sistemáticamente de quienes permanecen.
  • Los largos períodos de seguimiento requieren muchos recursos: la financiación, el personal y la retención de los participantes se acumulan con el tiempo.
  • La medición repetida de los mismos participantes puede producir efectos de prueba: la familiaridad con los instrumentos, la sensibilización a los temas o los efectos de práctica en las pruebas pueden inflar o desinflar las puntuaciones independientemente del cambio real.
  • No puede controlar los confundidores no medidos que varían en el tiempo de la misma manera que un experimento aleatorizado; las afirmaciones causales siguen siendo probabilísticas.
  • Los cambios históricos que ocurren entre olas (efectos de período) pueden confundir las tendencias observadas y son difíciles de separar del desarrollo dentro de la persona.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Observa directamente el cambio dentro de la persona o unidad en lugar de inferirlo de comparaciones transversales de edad.
  • Establece el orden temporal de las variables, proporcionando evidencia más sólida (aunque no concluyente) de la dirección causal que los diseños de una sola ola.
  • Permite la separación de los efectos de edad, cohorte y período cuando se rastrean múltiples cohortes.
  • Permite la estimación de trayectorias de crecimiento individuales y la identificación de subgrupos con diferentes patrones de desarrollo.
  • Los conjuntos de datos longitudinales acumulados (por ejemplo, estudios de cohortes de nacimiento) pueden abordar múltiples preguntas de investigación durante décadas.

Aplicaciones

  • Rastreo del desarrollo cognitivo, el rendimiento académico y el crecimiento socioemocional desde la infancia hasta la adolescencia.
  • Seguimiento de cohortes de pacientes después de cirugía, diagnóstico o tratamiento para mapear las trayectorias de recuperación e identificar predictores de recaída.
  • Monitoreo de resultados organizacionales o de la fuerza laboral (compromiso de los empleados, intención de rotación, productividad) a través de ciclos económicos.
  • Estudio de los efectos a largo plazo de intervenciones políticas en educación, salud pública o mercados laborales sin asignación aleatoria.
  • Investigación de cómo la personalidad, las actitudes y los valores cambian a lo largo de las etapas de la vida en psicología del desarrollo y social.
  • Modelado de la incidencia de enfermedades y la acumulación de factores de riesgo en estudios de cohortes de nacimiento o cohortes ocupacionales epidemiológicas.

Cómo funciona

Cómo funciona

1

El investigador define la pregunta de investigación en términos de cambio o estabilidad a lo largo del tiempo y decide el marco longitudinal: un diseño de panel (los mismos individuos en cada ola), un diseño de cohorte (un grupo que comparte una experiencia común seguido hacia adelante), o un diseño de tendencia (se muestrea independientemente a la misma población en cada ola). El marco temporal, el número de olas de medición y los intervalos entre olas se planifican para que coincidan con el ritmo esperado de cambio en el fenómeno de interés.

2

Se recluta una muestra de participantes o unidades que sea representativa de la población objetivo y lo suficientemente grande como para seguir siendo analíticamente adecuada después de la deserción esperada entre olas (atrición). Los criterios de reclutamiento deben especificarse claramente para que la muestra inicial pueda ser rastreada y contactada nuevamente a través de las olas. En los diseños de panel y cohorte, mantener la información de contacto y el compromiso del participante a través de las olas es una preocupación logística crítica desde el principio.

3

Los datos se recopilan de las mismas unidades en cada ola predeterminada utilizando instrumentos y procedimientos consistentes. Los instrumentos deben mantenerse constantes a través de las olas para garantizar la equivalencia de la medición; cualquier actualización necesaria debe evaluarse en cuanto a comparabilidad. Las fuentes de datos comunes incluyen encuestas, pruebas estandarizadas, registros administrativos y evaluaciones biológicas o conductuales. Cada ola de recopilación de datos es en sí misma un evento de medición completo que requiere muestreo, trabajo de campo y control de calidad.

4

Los datos longitudinales requieren una gestión de datos meticulosa: vincular registros a través de las olas utilizando identificadores únicos de participantes, manejar datos faltantes que surgen de la atrición o patrones de omisión, y documentar cambios en instrumentos o condiciones de administración. Los datos faltantes se abordan analíticamente: la máxima verosimilitud con información completa (FIML) y la imputación múltiple (MI) se prefieren a la eliminación de listas porque la atrición rara vez falta por completo al azar (MCAR).

5

El cambio a lo largo del tiempo se examina utilizando enfoques analíticos adaptados a la estructura de los datos y a la pregunta de investigación. Las estrategias comunes incluyen el modelado de curvas de crecimiento (trayectorias individuales a través de modelos multinivel o de curvas de crecimiento latente), regresión de panel de efectos fijos y aleatorios, modelos de panel de desfase cruzado para causalidad recíproca, y análisis de supervivencia o historia de eventos para resultados de tiempo hasta el evento. Los resúmenes descriptivos del cambio ola por ola preceden al modelado inferencial.

6

Los hallazgos se interpretan en términos de la dirección, la tasa y los predictores del cambio, y se califican explícitamente por las limitaciones del diseño (observacional, no experimental; posibles efectos de selección). El orden temporal de las variables, medido en olas distintas, proporciona evidencia más sólida de la dirección causal que los datos transversales, pero se deben reconocer los factores de confusión por covariables no medidas que varían en el tiempo.

Errores comunes

  • Ignorar el sesgo de atrición: informar resultados de casos completos sin probar si los desertores difieren de los completados en variables clave de referencia, o sin utilizar métodos de datos faltantes basados en principios (FIML, MI), aumenta el riesgo de estimaciones sesgadas.
  • No equivalencia de la medición entre olas: si la redacción del instrumento, las escalas de respuesta o las condiciones de administración cambian entre olas, el cambio aparente en las puntuaciones puede reflejar la deriva de la medición en lugar del cambio real; se debe probar la invarianza configuracional y métrica.
  • Muy pocas olas para modelos de cambio complejos: ajustar modelos de curvas de crecimiento con solo dos olas restringe el modelo a una línea recta y evita la detección de trayectorias no lineales; planifique al menos tres olas siempre que el cambio cuadrático o curvilíneo sea plausible.
  • Confundir subtipos de diseño: los diseños de panel, cohorte y tendencia tienen diferentes estructuras de muestreo y responden a diferentes preguntas; tratarlos indistintamente conduce a errores analíticos y generalizaciones inapropiadas.
  • Subestimar los efectos del intervalo de seguimiento: los intervalos demasiado cortos pueden no capturar un cambio significativo; los intervalos demasiado largos pueden pasar por alto variaciones intermedias importantes o efectos pico.

Preguntas frecuentes

¿Cómo se diferencia la investigación longitudinal de un estudio de panel y un estudio de cohorte?

Las tres son longitudinales, pero difieren en la estructura de muestreo. Un estudio de panel rastrea a los mismos individuos en cada ola y está diseñado para medir el cambio a nivel individual. Un estudio de cohorte sigue a personas que comparten una característica o experiencia definitoria (por ejemplo, nacidas en el mismo año, diagnosticadas en el mismo período) y se centra en trayectorias a nivel de grupo. Un estudio de tendencia encuesta muestras independientes de la misma población en cada ola y describe el cambio a nivel de población sin rastrear individuos. La elección depende de si el cambio dentro de la persona, las trayectorias grupales o las tendencias poblacionales son el objetivo principal.

¿Cuántas olas de medición necesito?

El mínimo son dos olas para establecer el cambio, pero dos olas solo permiten una puntuación de diferencia y no pueden modelar la forma del cambio. Tres olas son el mínimo práctico para el modelado de curvas de crecimiento, ya que permiten estimar una trayectoria cuadrática. Más olas mejoran la precisión de las estimaciones de trayectorias individuales y permiten detectar patrones de cambio más complejos. Planifique las olas para que se alineen con intervalos teóricamente significativos dado el ritmo esperado de cambio.

¿Cómo debo manejar los datos faltantes por deserción?

Primero, pruebe si los desertores difieren de los completados en variables clave de referencia (análisis de atrición). Luego, utilice métodos de datos faltantes basados en principios en lugar de la eliminación de listas: máxima verosimilitud con información completa (FIML) bajo estimación de máxima verosimilitud, o imputación múltiple (MI) antes del análisis. Ambos asumen que los datos faltan al azar (MAR) condicionados a las variables observadas. Si se sospecha que la falta de datos depende del resultado no observado en sí (faltante no al azar, MNAR), se justifican análisis de sensibilidad utilizando modelos de pauta de mezcla o de selección.

¿El diseño longitudinal prueba la causalidad?

El orden temporal (medir un predictor antes del resultado) es una condición necesaria para la causalidad, y los diseños longitudinales lo establecen de manera más directa que los transversales. Sin embargo, los diseños longitudinales observacionales no pueden descartar la confusión por variables no medidas, por lo que no prueban la causalidad. Técnicas como los modelos de panel de desfase cruzado, la regresión de efectos fijos y los enfoques de variables instrumentales pueden fortalecer las inferencias causales, pero cada uno tiene sus propias suposiciones. Los experimentos aleatorizados siguen siendo el estándar de oro para las afirmaciones causales.

¿Cuál es el riesgo de los efectos de prueba en la medición repetida?

Cuando los participantes completan los mismos instrumentos o similares repetidamente, su familiaridad con los formatos de los ítems, la sensibilización a los temas del estudio o la práctica en pruebas cognitivas pueden inflar o desinflar las puntuaciones independientemente del cambio real. Los riesgos son mayores con intervalos inter-olas cortos y con medidas basadas en el rendimiento. Las estrategias de mitigación incluyen el uso de formas paralelas de los instrumentos, la incorporación de grupos de control y la evaluación de la fiabilidad de la reevaluación en estudios piloto.

Métodos relacionados

Fuentes

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

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

    ISBN: 978-0195152968
    Copiado.