Skip to content
Torna ai risultati

Ricerca Longitudinale — Disegno di Ricerca Longitudinale

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

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La ricerca longitudinale è un disegno osservazionale in cui gli stessi partecipanti, gruppi o unità vengono misurati ripetutamente per un periodo prolungato.

Invece di catturare un singolo istante, traccia il cambiamento, la stabilità e la sequenza temporale delle variabili, rendendola la strategia non sperimentale primaria per studiare lo sviluppo, la crescita, il declino e il dispiegarsi dei processi causali nel tempo.

L’intuizione alla base del metodo

Si pensi alla ricerca longitudinale come al seguire le stesse persone (o organizzazioni, o scuole) attraverso una serie di punti di controllo piuttosto che fotografare molte persone diverse contemporaneamente. Tornando alle stesse unità, il ricercatore può vedere chi è cambiato, di quanto, in quale direzione, e se le misure iniziali predicono gli esiti successivi. Questo tracciamento temporale è ciò che distingue i disegni longitudinali da quelli trasversali: invece di inferire il cambiamento dalle differenze tra gruppi misurati in un momento, si osserva direttamente il cambiamento all'interno delle stesse unità misurate in più momenti.

Storia

I metodi longitudinali emersero alla fine del XIX secolo attraverso studi sulla crescita che tracciavano lo sviluppo fisico dei bambini e in epidemiologia attraverso studi di coorte che tracciavano l'incidenza delle malattie. I principali set di dati longitudinali del XX secolo, inclusi il Berkeley Growth Study (1928), i British Cohort Studies (1958, 1970) e il Framingham Heart Study (1948), hanno plasmato lo sviluppo della metodologia. I quadri statistici per l'analisi dei dati longitudinali maturarono sostanzialmente negli anni '80 e '90 attraverso il lavoro di ricercatori come Judith Singer, John Willett e Michael Raudenbush, culminando in testi ampiamente adottati e software per la modellazione multilivello e delle curve di crescita.

Quando usarlo

Utilizzare la ricerca longitudinale quando la domanda centrale riguarda il cambiamento o lo sviluppo nel tempo, ad esempio, come l'achievement accademico si evolve dalla scuola primaria alla secondaria, come le traiettorie di salute si sviluppano dopo un evento medico, o se un atteggiamento misurato in un momento predice un comportamento misurato successivamente. È il disegno appropriato quando i dati trasversali non possono distinguere gli effetti dell'età dagli effetti della coorte e quando il cambiamento intra-soggetto è teoricamente significativo. Non utilizzare la ricerca longitudinale quando il fenomeno è essenzialmente statico, quando il periodo di follow-up richiesto supera le risorse disponibili, o quando l'attrito nella popolazione target sarà così grave da rendere il campione rimanente non rappresentativo. I disegni trasversali sono più efficienti quando un singolo istante è sufficiente per rispondere alla domanda di ricerca.

Limiti e considerazioni

  • L'attrito (abbandono) tra le ondate minaccia la validità interna se coloro che lasciano lo studio differiscono sistematicamente da coloro che rimangono.
  • I lunghi periodi di follow-up richiedono molte risorse: finanziamenti, personale e mantenimento dei partecipanti aumentano nel tempo.
  • La misurazione ripetuta degli stessi partecipanti può produrre effetti di test: familiarità con gli strumenti, sensibilizzazione agli argomenti o effetti di pratica sui test.
  • Non può controllare i confondenti non misurati che variano nel tempo nello stesso modo in cui può fare un esperimento randomizzato; le affermazioni causali rimangono probabilistiche.
  • I cambiamenti storici che si verificano tra le ondate (effetti di periodo) possono confondere le tendenze osservate e sono difficili da separare dallo sviluppo intra-soggetto.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Osserva direttamente il cambiamento intra-soggetto o intra-unità piuttosto che inferirlo da confronti trasversali basati sull'età.
  • Stabilisce l'ordinamento temporale delle variabili, fornendo prove più forti (sebbene non conclusive) per la direzione causale rispetto ai disegni a ondata singola.
  • Consente la separazione degli effetti di età, coorte e periodo quando vengono seguite più coorti.
  • Permette la stima delle traiettorie di crescita individuali e l'identificazione di sottogruppi con diversi modelli di sviluppo.
  • I set di dati longitudinali accumulati (ad esempio, studi di coorte di nascita) possono affrontare molteplici domande di ricerca nel corso di decenni.

Applicazioni

  • Tracciare lo sviluppo cognitivo, l'achievement accademico e la crescita socio-emotiva dall'infanzia all'adolescenza.
  • Seguire coorti di pazienti dopo interventi chirurgici, diagnosi o trattamenti per mappare le traiettorie di recupero e identificare i predittori di recidiva.
  • Monitorare esiti organizzativi o della forza lavoro — coinvolgimento dei dipendenti, intenzione di turnover, produttività — attraverso cicli economici.
  • Studiare gli effetti a lungo termine degli interventi politici in materia di istruzione, sanità pubblica o mercati del lavoro senza assegnazione casuale.
  • Indagare come personalità, atteggiamenti e valori cambiano nelle fasi della vita nella psicologia dello sviluppo e sociale.
  • Modellare l'incidenza delle malattie e l'accumulo di fattori di rischio negli studi epidemiologici di coorte di nascita o di coorte occupazionale.

Come funziona

Come funziona

1

Il ricercatore definisce la domanda di ricerca in termini di cambiamento o stabilità nel tempo e decide il quadro longitudinale: un disegno a pannello (stessi individui a ogni ondata), un disegno a coorte (un gruppo che condivide un'esperienza comune seguito in avanti) o un disegno a tendenza (stessa popolazione campionata indipendentemente a ogni ondata). Il periodo di tempo, il numero di ondate di misurazione e gli intervalli tra le ondate sono pianificati per corrispondere al ritmo previsto del cambiamento nel fenomeno di interesse.

2

Viene reclutato un campione di partecipanti o unità rappresentativo della popolazione target e sufficientemente ampio da rimanere analiticamente adeguato dopo il calo previsto tra le ondate (attrito). I criteri di reclutamento devono essere chiaramente specificati in modo che il campione iniziale possa essere tracciato e ricontattato attraverso le ondate. Nei disegni a pannello e a coorte, il mantenimento delle informazioni di contatto e del coinvolgimento dei partecipanti attraverso le ondate è una preoccupazione logistica critica fin dall'inizio.

3

I dati vengono raccolti dalle stesse unità a ogni ondata predeterminata utilizzando strumenti e procedure coerenti. Gli strumenti dovrebbero essere mantenuti costanti tra le ondate per garantire l'equivalenza della misurazione; eventuali aggiornamenti necessari devono essere valutati per la comparabilità. Le fonti di dati comuni includono sondaggi, test standardizzati, registri amministrativi e valutazioni biologiche o comportamentali. Ogni ondata di raccolta dati è essa stessa un evento di misurazione completo che richiede campionamento, lavoro sul campo e controllo di qualità.

4

I dati longitudinali richiedono una gestione meticolosa dei dati: collegamento dei record tra le ondate utilizzando identificatori unici dei partecipanti, gestione dei dati mancanti derivanti da attrito o schemi di salto, e documentazione delle modifiche agli strumenti o alle condizioni di somministrazione. I dati mancanti vengono affrontati analiticamente: la massima verosimiglianza a informazione completa (FIML) e l'imputazione multipla (MI) sono preferite alla cancellazione listwise perché l'attrito raramente è mancante completamente a caso (MCAR).

5

Il cambiamento nel tempo viene esaminato utilizzando approcci analitici adeguati alla struttura dei dati e alla domanda di ricerca. Le strategie comuni includono la modellazione della curva di crescita (traiettorie individuali tramite modelli multilevel o di crescita latente), la regressione a pannello a effetti fissi e casuali, i modelli a pannello a ritardo incrociato per la causalità reciproca e l'analisi di sopravvivenza o di storia degli eventi per gli esiti di tempo all'evento. Le sintesi descrittive del cambiamento ondata per ondata precedono la modellazione inferenziale.

6

I risultati vengono interpretati in termini di direzione, tasso e predittori del cambiamento, e esplicitamente qualificati dai limiti del disegno (osservazionale, non sperimentale; possibili effetti di selezione). L'ordinamento temporale delle variabili, misurate in ondate distinte, fornisce prove più forti per la direzione causale rispetto ai dati trasversali, ma la confondimento da covariate non misurate che variano nel tempo deve essere riconosciuta.

Errori comuni

  • Ignorare il bias da attrito — riportare risultati completi senza verificare se i drop-out differiscono dai completi sulle variabili di base chiave, o senza utilizzare metodi basati su principi per i dati mancanti (FIML, MI), aumenta il rischio di stime distorte.
  • Non equivalenza della misurazione tra le ondate — se la formulazione degli strumenti, le scale di risposta o le condizioni di somministrazione cambiano tra le ondate, il cambiamento apparente nei punteggi può riflettere una deriva della misurazione piuttosto che un vero cambiamento; dovrebbero essere testate l'invarianza configurale e metrica.
  • Troppe poche ondate per modelli di cambiamento complessi — l'adattamento di modelli di curva di crescita con solo due ondate vincola il modello a una linea retta e impedisce il rilevamento di traiettorie non lineari; pianificare almeno tre ondate ogni volta che il cambiamento quadratico o curvilineo è plausibile.
  • Confusione tra i sottotipi di disegno — i disegni a pannello, a coorte e a tendenza hanno diverse strutture di campionamento e rispondono a domande diverse; trattarli in modo intercambiabile porta a errori analitici e generalizzazioni inappropriate.
  • Sottovalutazione degli effetti dell'intervallo di follow-up — intervalli troppo brevi potrebbero non catturare cambiamenti significativi; intervalli troppo lunghi potrebbero mancare variazioni intermedie importanti o effetti di picco.

Domande frequenti

In che modo la ricerca longitudinale differisce da uno studio a pannello e da uno studio di coorte?

Tutti e tre sono longitudinali, ma differiscono nella struttura del campionamento. Uno studio a pannello traccia gli stessi individui a ogni ondata ed è progettato per misurare il cambiamento a livello individuale. Uno studio di coorte segue persone che condividono una caratteristica o un'esperienza distintiva (ad esempio, nate nello stesso anno, diagnosticate nello stesso periodo) e si concentra sulle traiettorie a livello di gruppo. Uno studio di tendenza esamina campioni indipendenti della stessa popolazione a ogni ondata e descrive i cambiamenti a livello di popolazione senza tracciare gli individui. La scelta dipende dal fatto che il cambiamento intra-soggetto, le traiettorie di gruppo o le tendenze della popolazione siano l'obiettivo primario.

Quante ondate di misurazione sono necessarie?

Il minimo sono due ondate per stabilire il cambiamento, ma due ondate consentono solo un punteggio di differenza e non possono modellare la forma del cambiamento. Tre ondate sono il minimo pratico per la modellazione della curva di crescita, poiché consentono di stimare una traiettoria quadratica. Più ondate migliorano la precisione delle stime delle traiettorie individuali e consentono di rilevare modelli di cambiamento più complessi. Pianificare le ondate in modo che si allineino a intervalli teoricamente significativi dato il ritmo previsto del cambiamento.

Come devo gestire i dati mancanti dovuti all'abbandono?

Innanzitutto, verificare se i drop-out differiscono dai completi sulle variabili di base chiave (analisi dell'attrito). Quindi, utilizzare metodi basati su principi per i dati mancanti piuttosto che la cancellazione listwise: massima verosimiglianza a informazione completa (FIML) sotto stima di massima verosimiglianza, o imputazione multipla (MI) prima dell'analisi. Entrambi assumono che i dati siano mancanti a caso (MAR) condizionatamente alle variabili osservate. Se si sospetta che la mancanza dipenda dall'esito non osservato stesso (mancante non a caso, MNAR), sono giustificate analisi di sensibilità utilizzando modelli pattern-mixture o di selezione.

Il disegno longitudinale prova la causalità?

L'ordinamento temporale — misurare un predittore prima dell'esito — è una condizione necessaria per la causalità, e i disegni longitudinali lo stabiliscono più direttamente di quelli trasversali. Tuttavia, i disegni longitudinali osservazionali non possono escludere il confondimento da variabili non misurate, quindi non provano la causalità. Tecniche come i modelli a pannello a ritardo incrociato, la regressione a effetti fissi e gli approcci con variabili strumentali possono rafforzare le inferenze causali, ma ognuno ha le proprie assunzioni. Gli esperimenti randomizzati rimangono il gold standard per le affermazioni causali.

Qual è il rischio degli effetti di test nella misurazione ripetuta?

Quando i partecipanti completano gli stessi o simili strumenti ripetutamente, la loro familiarità con i formati degli item, la sensibilizzazione agli argomenti dello studio o la pratica sui test cognitivi possono gonfiare o sgonfiare i punteggi indipendentemente dal vero cambiamento. I rischi sono maggiori con brevi intervalli tra le ondate e con misure basate sulla performance. Le strategie di mitigazione includono l'uso di forme parallele degli strumenti, l'incorporazione di gruppi di controllo e la valutazione dell'affidabilità del retest in studi pilota.

Metodi correlati

Fonti

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

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

    ISBN: 978-0195152968
    Copiato.