Recherche longitudinale — Conception de la recherche longitudinale
- Introduite par
- No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
- Année
- Late 19th–early 20th century; methodologically codified through the 20th century
- Type
- Quantitative (or mixed) observational research design
- Famille
- Survey / observational design
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
La recherche longitudinale est une conception observationnelle dans laquelle les mêmes participants, groupes ou unités sont mesurés de manière répétée sur une période prolongée.
Plutôt que de saisir un instantané unique, elle suit le changement, la stabilité et la séquence temporelle des variables, ce qui en fait la principale stratégie non expérimentale pour étudier le développement, la croissance, le déclin et le déroulement des processus causaux au fil du temps.
L’intuition derrière la méthode
Considérez la recherche longitudinale comme le fait de suivre les mêmes personnes (ou organisations, ou écoles) à travers une série de points de contrôle plutôt que de photographier de nombreuses personnes différentes en même temps. En revenant aux mêmes unités, le chercheur peut voir qui a changé, de combien, dans quelle direction, et si les mesures initiales prédisent les résultats ultérieurs. Ce suivi temporel est ce qui distingue les conceptions longitudinales des conceptions transversales : au lieu d'inférer le changement à partir des différences entre des groupes mesurés à un instant donné, vous observez le changement directement au sein des mêmes unités mesurées à plusieurs reprises.
Histoire
Les méthodes longitudinales sont apparues à la fin du XIXe siècle avec les études de croissance suivant le développement physique des enfants et en épidémiologie avec les études de cohortes suivant l'incidence des maladies. Les principaux ensembles de données longitudinales du XXe siècle — y compris la Berkeley Growth Study (1928), les British Cohort Studies (1958, 1970) et la Framingham Heart Study (1948) — ont façonné le développement de la méthodologie. Les cadres statistiques pour l'analyse des données longitudinales ont mûri considérablement dans les années 1980 et 1990 grâce aux travaux de chercheurs tels que Judith Singer, John Willett et Michael Raudenbush, aboutissant à des manuels et des logiciels largement adoptés pour la modélisation multiniveau et des courbes de croissance.
Quand l’utiliser
Utilisez la recherche longitudinale lorsque la question centrale concerne le changement ou le développement au fil du temps — par exemple, comment la réussite scolaire évolue du primaire au secondaire, comment les trajectoires de santé se déroulent après un événement médical, ou si une attitude mesurée à un moment donné prédit un comportement mesuré plus tard. C'est la conception appropriée lorsque les données transversales ne peuvent pas distinguer les effets de l'âge des effets de cohorte et lorsque le changement intra-individuel est théoriquement significatif. N'utilisez pas la recherche longitudinale lorsque le phénomène est essentiellement statique, lorsque la période de suivi requise dépasse les ressources disponibles, ou lorsque l'attrition dans la population cible sera si sévère que l'échantillon retenu deviendra non représentatif. Les conceptions transversales sont plus efficaces lorsqu'un instantané unique suffit à répondre à la question de recherche.
Limites et points d’attention
- L'attrition (abandon) à travers les vagues menace la validité interne si ceux qui quittent l'étude diffèrent systématiquement de ceux qui restent.
- Les longues périodes de suivi sont gourmandes en ressources — le financement, le personnel et la rétention des participants se cumulent au fil du temps.
- La mesure répétée des mêmes participants peut produire des effets de test : familiarité avec les instruments, sensibilisation aux sujets ou effets d'apprentissage sur les tests.
- Ne peut pas contrôler les facteurs de confusion non mesurés variant dans le temps de la même manière qu'une expérience randomisée ; les affirmations causales restent probabilistes.
- Les changements historiques survenant entre les vagues (effets de période) peuvent confondre les tendances observées et sont difficiles à séparer du développement intra-individuel.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Observe directement le changement intra-individuel ou intra-unité plutôt que de l'inférer à partir de comparaisons d'âge transversales.
- Établit l'ordre temporel des variables, fournissant des preuves plus solides (bien que non concluantes) de la direction causale que les conceptions à une seule vague.
- Permet la séparation des effets de l'âge, des effets de cohorte et des effets de période lorsque plusieurs cohortes sont suivies.
- Permet l'estimation des trajectoires de croissance individuelles et l'identification de sous-groupes avec des schémas de développement différents.
- Les ensembles de données longitudinales accumulés (par exemple, les études de cohortes de naissance) peuvent aborder de multiples questions de recherche sur des décennies.
Applications
- Suivi du développement cognitif, de la réussite scolaire et de la croissance socio-émotionnelle de l'enfance à l'adolescence.
- Suivi de cohortes de patients après une chirurgie, un diagnostic ou un traitement pour cartographier les trajectoires de récupération et identifier les prédicteurs de rechute.
- Surveillance des résultats organisationnels ou de la main-d'œuvre — engagement des employés, intention de rotation, productivité — à travers les cycles économiques.
- Étude des effets à long terme des interventions politiques en éducation, en santé publique ou sur les marchés du travail sans affectation aléatoire.
- Recherche sur la façon dont la personnalité, les attitudes et les valeurs évoluent au cours des étapes de la vie en psychologie développementale et sociale.
- Modélisation de l'incidence des maladies et de l'accumulation des facteurs de risque dans les études épidémiologiques de cohortes de naissance ou de cohortes professionnelles.
Comment ça marche
Comment ça marche
Le chercheur définit la question de recherche en termes de changement ou de stabilité au fil du temps et choisit le cadre longitudinal : une conception par panel (mêmes individus à chaque vague), une conception par cohorte (un groupe partageant une expérience commune suivi dans le temps), ou une conception par tendance (même population échantillonnée indépendamment à chaque vague). Le cadre temporel, le nombre de vagues de mesure et les intervalles entre les vagues sont planifiés pour correspondre au rythme de changement attendu du phénomène d'intérêt.
Un échantillon de participants ou d'unités est recruté, représentatif de la population cible et suffisamment grand pour rester analytiquement adéquat après la perte attendue entre les vagues (attrition). Les critères de recrutement doivent être clairement spécifiés afin que l'échantillon initial puisse être suivi et recontacté à travers les vagues. Dans les conceptions par panel et par cohorte, le maintien des informations de contact et de l'engagement des participants à travers les vagues est une préoccupation logistique essentielle dès le départ.
Les données sont collectées auprès des mêmes unités à chaque vague prédéterminée en utilisant des instruments et des procédures cohérents. Les instruments doivent être maintenus constants à travers les vagues pour assurer l'équivalence de mesure ; toute mise à jour nécessaire doit être évaluée pour sa comparabilité. Les sources de données courantes comprennent les enquêtes, les tests standardisés, les dossiers administratifs et les évaluations biologiques ou comportementales. Chaque vague de collecte de données est elle-même un événement de mesure complet nécessitant un échantillonnage, un travail de terrain et un contrôle qualité.
Les données longitudinales nécessitent une gestion méticuleuse des données : liaison des enregistrements à travers les vagues à l'aide d'identifiants de participant uniques, gestion des données manquantes résultant de l'attrition ou des schémas de saut, et documentation des changements d'instruments ou de conditions d'administration. Les données manquantes sont traitées analytiquement — le maximum de vraisemblance à information complète (FIML) et l'imputation multiple (MI) sont préférés à la suppression listwise car l'attrition est rarement complètement aléatoire (MCAR).
Le changement au fil du temps est examiné à l'aide d'approches analytiques adaptées à la structure des données et à la question de recherche. Les stratégies courantes incluent la modélisation des courbes de croissance (trajectoires individuelles via des modèles multiniveaux ou de courbes de croissance latentes), la régression par panel à effets fixes et aléatoires, les modèles de panel à décalage croisé pour la causalité réciproque, et l'analyse de survie ou d'événements pour les résultats temps-à-événement. Les résumés descriptifs du changement vague par vague précèdent la modélisation inférentielle.
Les résultats sont interprétés en termes de direction, de taux et de prédicteurs du changement — et explicitement nuancés par les limites de la conception (observationnelle, non expérimentale ; effets de sélection possibles). L'ordre temporel des variables — mesurées à des vagues distinctes — fournit des preuves plus solides de la direction causale que les données transversales, mais la confusion par des covariables variant dans le temps non mesurées doit être reconnue.
Pièges courants
- Ignorer le biais d'attrition — rapporter des résultats sur cas complets sans tester si les abandons diffèrent des compléteurs sur les variables de base clés, ou sans utiliser des méthodes de données manquantes fondées sur des principes (FIML, MI), augmente le risque d'estimations biaisées.
- Non-équivalence de mesure à travers les vagues — si la formulation de l'instrument, les échelles de réponse ou les conditions d'administration changent entre les vagues, le changement apparent des scores peut refléter une dérive de mesure plutôt qu'un changement réel ; l'invariance configural et métrique doit être testée.
- Trop peu de vagues pour des modèles de changement complexes — l'ajustement de modèles de courbes de croissance avec seulement deux vagues contraint le modèle à une ligne droite et empêche la détection de trajectoires non linéaires ; prévoir au moins trois vagues chaque fois qu'un changement quadratique ou curviligne est plausible.
- Confondre les sous-types de conception — les conceptions par panel, par cohorte et par tendance ont des structures d'échantillonnage différentes et répondent à des questions différentes ; les traiter de manière interchangeable conduit à des erreurs analytiques et à des généralisations inappropriées.
- Sous-estimer les effets de l'intervalle de suivi — des intervalles trop courts peuvent ne pas capturer de changement significatif ; des intervalles trop longs peuvent manquer des variations intermédiaires importantes ou des effets de pic.
Questions fréquentes
En quoi la recherche longitudinale diffère-t-elle d'une étude de panel et d'une étude de cohorte ?
Les trois sont longitudinales, mais elles diffèrent par leur structure d'échantillonnage. Une étude de panel suit les mêmes individus à chaque vague et est conçue pour mesurer le changement au niveau individuel. Une étude de cohorte suit des personnes qui partagent une caractéristique ou une expérience définissante (par exemple, nées la même année, diagnostiquées dans la même période) et se concentre sur les trajectoires au niveau du groupe. Une étude de tendance enquête sur des échantillons indépendants de la même population à chaque vague et décrit le changement au niveau de la population sans suivre les individus. Le choix dépend de la question principale : changement intra-individuel, trajectoires de groupe ou tendances de population.
De combien de vagues de mesure ai-je besoin ?
Le minimum est de deux vagues pour établir un changement, mais deux vagues ne permettent qu'un score de différence et ne peuvent pas modéliser la forme du changement. Trois vagues sont le minimum pratique pour la modélisation des courbes de croissance, car elles permettent d'estimer une trajectoire quadratique. Plus de vagues améliorent la précision des estimations de trajectoires individuelles et permettent de détecter des schémas de changement plus complexes. Planifiez les vagues pour qu'elles s'alignent sur des intervalles théoriquement significatifs étant donné le rythme de changement attendu.
Comment dois-je gérer les données manquantes dues à l'abandon ?
Testez d'abord si les abandons diffèrent des compléteurs sur les variables de base clés (analyse d'attrition). Ensuite, utilisez des méthodes de données manquantes fondées sur des principes plutôt que la suppression listwise : le maximum de vraisemblance à information complète (FIML) sous estimation par maximum de vraisemblance, ou l'imputation multiple (MI) avant l'analyse. Les deux supposent que les données sont manquantes aléatoirement (MAR) conditionnellement aux variables observées. Si l'on soupçonne que la non-réponse dépend du résultat non observé lui-même (manquant non aléatoirement, MNAR), des analyses de sensibilité utilisant des modèles de mélange de motifs ou de sélection sont justifiées.
La conception longitudinale prouve-t-elle la causalité ?
L'ordre temporel — mesurer un prédicteur avant le résultat — est une condition nécessaire à la causalité, et les conceptions longitudinales l'établissent plus directement que les conceptions transversales. Cependant, les conceptions longitudinales observationnelles ne peuvent pas exclure la confusion par des variables non mesurées, elles ne prouvent donc pas la causalité. Des techniques telles que les modèles de panel à décalage croisé, la régression à effets fixes et les approches par variables instrumentales peuvent renforcer les inférences causales, mais chacune comporte ses propres hypothèses. Les expériences randomisées restent la référence pour les affirmations causales.
Quel est le risque d'effets de test lors de mesures répétées ?
Lorsque les participants remplissent les mêmes instruments ou des instruments similaires de manière répétée, leur familiarité avec les formats d'éléments, leur sensibilisation aux sujets de l'étude ou leur pratique sur les tests cognitifs peuvent gonfler ou dégonfler les scores indépendamment du changement réel. Les risques sont plus élevés avec des intervalles inter-vagues courts et avec des mesures basées sur la performance. Les stratégies d'atténuation comprennent l'utilisation de formes parallèles d'instruments, l'intégration de groupes de contrôle et l'évaluation de la fiabilité test-retest dans les études pilotes.
Méthodes associées
Sources
Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.
ISBN : 978-0761922841Copié.Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.
ISBN : 978-0195152968Copié.