Skip to content
بازگشت به نتایج جست‌وجو

پژوهش پیمایشی طولی — طرح پیمایشی با اندازه‌گیری‌های مکرر

معرفی‌شده توسط
Survey methodology tradition; codified in social sciences by scholars including W.S. Robinson (1950) and later Scott Menard
سال
Mid-20th century (formalized ~1950s–1970s)
نوع
Quantitative observational research design
خانواده
Survey / observational design

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

پژوهش پیمایشی طولی، داده‌های پرسش‌نامه ساختاریافته را از همان افراد (یا واحدها) در دو یا چند نقطه زمانی جمع‌آوری می‌کند. برخلاف یک پیمایش مقطعی تک‌مرحله‌ای، این طرح تغییر، ثبات، و ترتیب زمانی متغیرها را ثبت می‌کند — که محققان را قادر می‌سازد تا مسیرها را ردیابی کنند، توالی‌های علّی را بیازمایند، و اثرات هم‌گروهی را از اثرات پیری در یک چارچوب کمی متمایز سازند.

شهود پشت روش

تصور کنید می‌خواهید بدانید که آیا یک برنامه درسی جدید مدرسه واقعاً نگرش دانش‌آموزان را نسبت به ریاضیات در طول یک سال بهبود می‌بخشد یا خیر — نه فقط اینکه نگرش‌ها در یک لحظه چگونه به نظر می‌رسند. یک پیمایش طولی، همان دانش‌آموزان را در ابتدای سال، اواسط سال، و پایان سال دنبال می‌کند و هر بار سؤالات یکسان یا موازی می‌پرسد. از آنجا که همان افراد به طور مکرر پاسخ می‌دهند، می‌توانید تغییر هر فرد را مستقیماً مقایسه کنید، به جای اینکه آن را از افراد مختلف در زمان‌های مختلف استنباط کنید. ساختار زمانی چیزی است که به این طرح قدرت تحلیلی آن را می‌دهد: می‌توانید توالی‌های تغییر را مشاهده کنید، نه فقط عکس‌های فوری.

تاریخ

نظارت بر تکامل نگرش‌های سیاسی، قصد رأی‌دهی، یا مشارکت مدنی در پنل‌های انتخاباتی ملی.

چه زمانی استفاده شود

از پژوهش پیمایشی طولی استفاده کنید زمانی که سؤال اصلی مربوط به تغییر در طول زمان، ترتیب زمانی متغیرها، یا توسعه پیامدها در افراد یا واحدها است — سؤالاتی که یک پیمایش مقطعی نمی‌تواند به آن‌ها پاسخ دهد. این روش برای مطالعه تغییر نگرش، مسیرهای رشدی، مسیرهای شغلی، رفتارهای بهداشتی، و اثرات سیاست‌گذاری زمانی که دستکاری تجربی نه عملی است و نه اخلاقی، بسیار مناسب است. این طرح نیازمند یک نمونه پایدار و قابل ردیابی؛ بودجه کافی و ظرفیت سازمانی برای جمع‌آوری داده‌های چندموجی؛ و تمایل به مدیریت افت است. از آن استفاده نکنید زمانی که: (۱) فقط یک برآورد شیوع در یک نقطه زمانی مورد نیاز است — یک پیمایش مقطعی کارآمدتر است؛ (۲) دوره مطالعه برای وقوع تغییر معنی‌دار بسیار کوتاه است؛ (۳) ردیابی شرکت‌کنندگان از نظر عملی غیرممکن است؛ یا (۴) اندازه‌گیری مکرر احتمالاً اثرات آزمون را ایجاد می‌کند که سازه مورد اندازه‌گیری را آلوده می‌کند.

محدودیت‌ها و ملاحظات

  • افت پنل اعتبار درونی را تهدید می‌کند: شرکت‌کنندگانی که ترک می‌کنند اغلب به طور سیستماتیک با کسانی که باقی می‌مانند متفاوت هستند، که سوگیری انتخاب را ایجاد می‌کند.
  • اجرای مکرر یک ابزار می‌تواند اثرات آزمون را ایجاد کند — شرکت‌کنندگان سؤالات را یاد می‌گیرند یا نسبت به آن‌ها حساس می‌شوند، که تغییر ظاهری را افزایش می‌دهد.
  • از نظر لجستیکی پرهزینه و دشوار: ردیابی شرکت‌کنندگان، مدیریت اطلاعات تماس، و حفظ مشارکت در طول موج‌ها نیازمند منابع قابل توجهی است.
  • افق‌های زمانی طولانی به این معنی است که رویدادهای خارجی (اثرات تاریخی، همه‌گیری‌ها، تغییرات سیاست‌گذاری) بین موج‌ها به متغیرهای مخدوش‌کننده‌ای تبدیل می‌شوند که تفکیک آن‌ها از سازه‌های مورد علاقه دشوار است.
  • عدم تغییر ابزار پیمایشی بین موج‌ها: حتی بازنگری‌های جزئی در کلمات یا اصلاحات در مقیاس پاسخ، مقایسه‌های مستقیم نمره را در طول زمان بی‌اعتبار می‌کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • با ثبت ترتیب تغییرات متغیرها در همان شرکت‌کنندگان، تقدم زمانی را — که پیش‌نیازی برای استنتاج علّی است — برقرار می‌کند.
  • تغییر درون‌فردی را از تفاوت‌های بین‌فردی جدا می‌کند و برآوردهای دقیق‌تری نسبت به مقایسه‌های مقطعی ارائه می‌دهد.
  • اثرات هم‌گروهی، دوره‌ای، و سنی را که تنها زمانی که همان افراد در طول زمان ردیابی می‌شوند، قابل مشاهده می‌شوند، شناسایی می‌کند.
  • قابل مقیاس‌بندی به نمونه‌های بزرگ و نماینده ملی است، که امکان استنتاج در سطح جمعیت را در مورد مسیرهای تغییر فراهم می‌کند.
  • سازگار با طیف وسیعی از تکنیک‌های تحلیلی (GCM, CLPM, SEM) که از ساختار زمانی داده‌ها بهره می‌برند.
  • هنگام مطالعه همان جمعیت در طول زمان، کارآمدتر از جذب گروه جدید در هر موج است.

کاربردها

  • مطالعه تغییر رفتار بهداشتی — فعالیت بدنی، رژیم غذایی، مصرف مواد — در طول ماه‌ها یا سال‌ها در مطالعات هم‌گروهی.
  • ارزیابی پیامدهای بلندمدت بازار کار فارغ‌التحصیلان از مسیرهای آموزشی مختلف.
  • ارزیابی اثرات پایدار کمپین‌های بهداشت عمومی یا مداخلات آموزشی پس از پایان برنامه فعال.
  • بررسی چگونگی واکنش نگرش‌های سازمانی (رضایت شغلی، تعهد) به تغییرات سیاست‌گذاری در محل کار در طول زمان.
  • پژوهش پیمایشی طولی چه تفاوتی با مطالعه پنل دارد؟
  • این اصطلاحات به طور قابل توجهی همپوشانی دارند. مطالعه پنل نوع خاصی از پیمایش طولی است که در آن دقیقاً همان افراد در هر موج مورد پیمایش قرار می‌گیرند. پژوهش پیمایشی طولی یک دسته گسترده‌تر است؛ همچنین شامل مطالعات روند (نمونه‌های تصادفی متفاوت از همان جمعیت در هر موج) و مطالعات هم‌گروهی (همان گروه تولد یا ورود اما نه لزوماً پاسخ‌دهندگان یکسان) می‌شود. وقتی مردم می‌گویند «پیمایش طولی»، اغلب منظورشان یک طرح پنل است، اما دقت در انتخاب راهبرد تحلیلی اهمیت دارد.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر سؤالات پژوهش را تعریف می‌کند، جامعه هدف را انتخاب می‌کند، تعداد موج‌های اندازه‌گیری و فواصل زمانی بین آن‌ها را تعیین می‌کند، و یک ابزار پیمایشی را می‌سازد یا تطبیق می‌دهد که در طول موج‌ها سازگار باشد. حجم نمونه باید افت مورد انتظار را در نظر بگیرد، و رویه‌های رضایت آگاهانه باید از ابتدا مشارکت چندموجی را مورد توجه قرار دهند.

2

پیمایش موج اول (زمان ۱) به نمونه جذب‌شده اجرا می‌شود و اندازه‌گیری‌های پایه تمام متغیرهای کلیدی — پیامدها، پیش‌بین‌ها، و متغیرهای کمکی — را جمع‌آوری می‌کند. نرخ پاسخ بالا در این موج حیاتی است زیرا هر شرکت‌کننده‌ای که در خط پایه از دست می‌رود، در تحلیل‌های بعدی قابل بازیابی نخواهد بود.

3

در هر موج بعدی (زمان ۲، زمان ۳، …)، همان شرکت‌کنندگان مجدداً تماس گرفته می‌شوند و ابزار پیمایشی دوباره به آن‌ها اجرا می‌شود. یکسانی در کلمات سؤال، قالب‌های پاسخ، و شیوه اجرا در طول موج‌ها، هم‌ارزی اندازه‌گیری را حفظ می‌کند و امکان تمایز تغییر واقعی نمره را از خطای اندازه‌گیری فراهم می‌آورد.

4

افت پنل — خروج شرکت‌کنندگان بین موج‌ها — با مقایسه تکمیل‌کنندگان موج با عدم تکمیل‌کنندگان موج بر اساس ویژگی‌های خط پایه ارزیابی می‌شود. اگر افراد ترک‌کننده به طور سیستماتیک با افراد ادامه‌دهنده متفاوت باشند (افت انتخابی)، راهبردهای تحلیلی مانند جایگزینی چندگانه (multiple imputation)، وزن‌دهی با احتمال معکوس (inverse probability weighting)، یا برآورد حداکثر درست‌نمایی با اطلاعات کامل (full-information maximum likelihood estimation) برای کاهش سوگیری اعمال می‌شوند.

5

داده‌های طولی با روش‌های مناسب برای اندازه‌گیری‌های مکرر تحلیل می‌شوند: مدل‌سازی منحنی رشد (growth curve modeling)، مدل‌های نمره تغییر پنهان (latent change score models)، مدل‌های پنل متقاطع-تأخیری (cross-lagged panel models)، معادلات برآورد تعمیم‌یافته (generalized estimating equations)، یا رگرسیون با اثرات ترکیبی (mixed-effects regression). مدل انتخابی بستگی به این دارد که علاقه اصلی به تغییر در سطح میانگین، مسیرهای فردی، یا روابط علّی متقابل بین متغیرها در طول زمان باشد.

دام‌های رایج

  • نمونه خط پایه کم‌توان: محاسبه حجم نمونه فقط برای توان مقطعی بدون افزایش آن برای افت مورد انتظار، مطالعه را در موج‌های بعدی کم‌توان می‌کند.
  • رفتار با موج به عنوان یک اثر ثابت بدون مدل‌سازی رشد: اجرای ANOVAهای جداگانه برای هر موج به جای منحنی رشد یا مدل ترکیبی، اطلاعات طولی را از بین می‌برد و خطای نوع اول را افزایش می‌دهد.
  • گزارش فقط میانگین‌های سطح گروه: ناهمگونی در مسیرهای فردی اغلب یافته مهم از نظر ماهوی است؛ روندهای تجمعی می‌توانند زیرگروه‌های واگرا را پنهان کنند.
  • استفاده از پیمایش‌های تکراری در طول زمان در اواسط قرن بیستم در علوم اجتماعی پدیدار شد. مقاله W.S. Robinson در سال ۱۹۵۰ در مورد همبستگی‌های اکولوژیکی و فردی، توجه را به محدودیت‌های داده‌های مقطعی برای استنتاج در سطح فردی جلب کرد و طرح‌های پنل را انگیزه بخشید. برنامه‌های پیمایشی طولی در مقیاس بزرگ — از جمله مطالعه پنل پویایی درآمد (PSID، راه‌اندازی ۱۹۶۸) و پیمایش‌های طولی ملی (NLS) در ایالات متحده — امکان‌پذیری و ارزش علمی ردیابی همان پاسخ‌دهندگان را در طول دهه‌ها نشان دادند. کتاب راهنمای Scott Menard (۱۹۹۱، ویرایش دوم ۲۰۰۲) و مجموعه ویرایش‌شده Peter Lynn در مورد روش‌شناسی پیمایش طولی (۲۰۰۹) بهترین شیوه‌ها را برای طراحی نمونه، مدیریت افت، و تحلیل تدوین کردند.
  • ردیابی تغییرات در انگیزه تحصیلی، خودکارآمدی، یا رفاه دانش‌آموزان در طول سال‌های تحصیلی یا برنامه‌های تحصیلی.

پرسش‌های متداول

چند موج لازم است؟

حداقل دو موج برای مشاهده تغییر لازم است، اما دو موج فقط مدل‌های محدودی را پشتیبانی می‌کنند (نمرات تفاوت، رگرسیون ساده پیش‌آزمون-پس‌آزمون). سه یا چند موج برای برآورد مسیرهای رشد، آزمون تغییر غیرخطی، و اعمال مدل‌های پنل متقاطع-تأخیری مورد نیاز است. تعداد بهینه موج‌ها بستگی به شکل مورد انتظار تغییر و مدل تحلیلی دارد — موج‌های بیشتر قدرت بیشتری برای شناسایی و توصیف مسیرها فراهم می‌کنند.

چگونه داده‌های گمشده ناشی از ترک‌تحصیل‌کنندگان را مدیریت کنم؟

ابتدا، با مقایسه ترک‌تحصیل‌کنندگان با تکمیل‌کنندگان بر اساس متغیرهای خط پایه، ارزیابی کنید که آیا افت کاملاً تصادفی گمشده (MCAR)، تصادفی گمشده (MAR)، یا غیرتصادفی گمشده (MNAR) است. تحت MAR — معتبرترین فرض در بیشتر مطالعات پنل — برآورد حداکثر درست‌نمایی با اطلاعات کامل (FIML) یا جایگزینی چندگانه رویکردهای ترجیحی هستند. حذف لیست‌وار ساده تقریباً هرگز مناسب نیست زیرا داده‌های قابل استفاده را دور می‌اندازد و در صورت عدم تصادفی بودن کامل افت، برآوردهای سوگیرانه تولید می‌کند.

آیا یک پیمایش طولی می‌تواند علیت را اثبات کند؟

ترتیب زمانی (یک شرط لازم برای علیت) را می‌توان زمانی نشان داد که یک پیش‌بین در موج ۱، یک پیامد را در موج ۲ پیش‌بینی می‌کند، پس از کنترل پیامد در موج ۱، با استفاده از مدل‌های پنل متقاطع-تأخیری یا رگرسیون نمره تفاوت. با این حال، متغیرهای مخدوش‌کننده اندازه‌گیری‌نشده که ثابت می‌مانند یا بین موج‌ها تغییر می‌کنند، همچنان می‌توانند برآوردهای علّی را مخدوش کنند. پیمایش‌های طولی شواهد قوی‌تری نسبت به طرح‌های مقطعی ارائه می‌دهند اما مشاهده‌ای باقی می‌مانند؛ آزمایش‌های تصادفی‌شده استاندارد طلایی برای استنتاج علّی هستند.

چگونه اثبات کنم که ابزار پیمایشی من در هر موج همان سازه را اندازه‌گیری می‌کند؟

از طریق آزمون ناوردایی اندازه‌گیری مبتنی بر تحلیل عاملی تأییدی (CFA) (Vandenberg & Lance, 2000). حداقل، ناوردایی پیکربندی و متریک باید قبل از مقایسه میانگین‌های پنهان برقرار شود؛ ناوردایی اسکالر برای مقایسه میانگین‌های مشاهده‌شده لازم است. اگر ناوردایی جزئی یافت شود، فقط پارامترهای ناوردا را محدود کنید و تغییر در آیتم‌های غیرناوردا را با احتیاط تفسیر کنید.

پروتکل پیمایش طولی خود را طراحی کنید، حجم نمونه تنظیم‌شده برای افت را تخمین بزنید، و مدل‌های منحنی رشد یا پنل متقاطع-تأخیری را مستقیماً در اکوسیستم MethodMind بر روی داده‌های چندموجی خود اعمال کنید — از راه‌اندازی ابزار خط پایه تا تجسم نهایی مسیر.

Through confirmatory factor analysis (CFA)-based measurement invariance testing (Vandenberg & Lance, 2000). At minimum, configural and metric invariance should be established before comparing latent means; scalar invariance is required to compare observed means. If partial invariance is found, constrain only the invariant parameters and interpret change on the non-invariant items with caution.

روش‌های مرتبط

منابع

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

    شابک: 978-0761922452
    کپی شد.
  2. Lynn, P. (Ed.). (2009). Methodology of Longitudinal Surveys. Wiley.

    شابک: 978-0470018712
    کپی شد.