Ricerche con sondaggi longitudinali — Disegno di indagine a misure ripetute
- Introdotto da
- Survey methodology tradition; codified in social sciences by scholars including W.S. Robinson (1950) and later Scott Menard
- Anno
- Mid-20th century (formalized ~1950s–1970s)
- Tipo
- Quantitative observational research design
- Famiglia
- Survey / observational design
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
La ricerca con sondaggi longitudinali raccoglie dati strutturati tramite questionari dagli stessi individui (o unità) in due o più momenti temporali.
A differenza di un sondaggio trasversale "one-shot", questo disegno cattura cambiamenti, stabilità e ordinamento temporale delle variabili, consentendo ai ricercatori di tracciare traiettorie, testare sequenze causali e distinguere effetti di coorte da effetti di invecchiamento all'interno di un quadro quantitativo.
L’intuizione alla base del metodo
Immaginate di voler sapere se un nuovo curriculum scolastico migliora effettivamente l'atteggiamento degli studenti verso la matematica nel corso di un anno — non solo quale sia l'atteggiamento in un dato momento. Un sondaggio longitudinale segue gli stessi studenti all'inizio dell'anno, a metà anno e alla fine dell'anno, ponendo domande identiche o parallele ogni volta. Poiché le stesse persone rispondono ripetutamente, è possibile confrontare direttamente il cambiamento di ogni individuo anziché inferirlo da persone diverse in momenti diversi. La struttura temporale è ciò che conferisce a questo disegno la sua potenza analitica: si possono osservare sequenze di cambiamento anziché istantanee.
Storia
L'uso di sondaggi ripetuti nel tempo è emerso nelle scienze sociali a metà del XX secolo. L'articolo di W.S. Robinson del 1950 sulle correlazioni ecologiche e individuali attirò l'attenzione sui limiti dei dati trasversali per l'inferenza a livello individuale, motivando i disegni di panel. Programmi di sondaggi longitudinali su larga scala — inclusi il Panel Study of Income Dynamics (PSID, lanciato nel 1968) e i National Longitudinal Surveys (NLS) negli Stati Uniti — hanno dimostrato la fattibilità e il valore scientifico del tracciamento degli stessi rispondenti per decenni. L'handbook di Scott Menard (1991, 2a ed. 2002) e il volume curato da Peter Lynn sulla metodologia dei sondaggi longitudinali (2009) hanno codificato le migliori pratiche per la progettazione del campione, la gestione dell'attrito e l'analisi.
Quando usarlo
Utilizzare la ricerca con sondaggi longitudinali quando la domanda centrale riguarda il cambiamento nel tempo, l'ordinamento temporale delle variabili o lo sviluppo degli esiti all'interno di individui o unità — domande a cui un sondaggio trasversale non può rispondere. È ben adatta allo studio del cambiamento di atteggiamento, delle traiettorie di sviluppo, dei percorsi di carriera, dei comportamenti sanitari e degli effetti delle politiche quando la manipolazione sperimentale non è né fattibile né etica. Il disegno richiede un campione stabile e tracciabile; finanziamenti sufficienti e capacità istituzionale per la raccolta dati a più ondate; e la volontà di gestire l'attrito. NON utilizzarlo quando: (1) è necessaria solo una stima di prevalenza in un punto temporale — un sondaggio trasversale è più efficiente; (2) il periodo di studio è troppo breve perché si verifichi un cambiamento significativo; (3) il tracciamento dei partecipanti è operativamente impossibile; o (4) la misurazione ripetuta è probabile che produca effetti di testing che contaminano il costrutto misurato.
Limiti e considerazioni
- L'attrito del panel minaccia la validità interna: i partecipanti che abbandonano sono spesso sistematicamente diversi da quelli che rimangono, introducendo bias di selezione.
- La somministrazione ripetuta dello stesso strumento può produrre effetti di testing — i partecipanti imparano o diventano sensibilizzati alle domande, gonfiando il cambiamento apparente.
- Logistica complessa e costosa: tracciare i partecipanti, gestire le informazioni di contatto e mantenere l'impegno tra le ondate richiede risorse considerevoli.
- Orizzonti temporali lunghi significano che eventi esterni (effetti storici, pandemie, cambiamenti politici) tra le ondate diventano confondenti difficili da distinguere dai costrutti di interesse.
- L'invarianza della misurazione deve essere stabilita tra le ondate prima che i punteggi di cambiamento vengano interpretati; la mancata verifica può portare a conclusioni spurie sul cambiamento.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Stabilisce la precedenza temporale — un prerequisito per l'inferenza causale — catturando l'ordinamento dei cambiamenti delle variabili all'interno degli stessi partecipanti.
- Separa il cambiamento intra-individuale dalle differenze inter-individuali, fornendo stime più precise rispetto ai confronti trasversali.
- Rileva effetti di coorte, periodo ed età che diventano visibili solo quando gli stessi individui vengono tracciati nel tempo.
- Scalabile a campioni ampi e rappresentativi a livello nazionale, consentendo inferenze a livello di popolazione sulle traiettorie di cambiamento.
- Compatibile con un'ampia gamma di tecniche analitiche (GCM, CLPM, SEM) che sfruttano la struttura temporale dei dati.
- Più efficiente del reclutamento di nuove coorti ad ogni ondata quando si studia la stessa popolazione nel tempo.
Applicazioni
- Tracciare i cambiamenti nella motivazione accademica degli studenti, nell'autoefficacia o nel benessere attraverso gli anni scolastici o i programmi di studio.
- Monitorare l'evoluzione degli atteggiamenti politici, delle intenzioni di voto o dell'impegno civico all'interno di panel elettorali nazionali.
- Studiare il cambiamento dei comportamenti sanitari — attività fisica, dieta, uso di sostanze — nel corso di mesi o anni in studi di coorte.
- Valutare gli esiti a lungo termine nel mercato del lavoro dei laureati provenienti da diversi percorsi educativi.
- Valutare gli effetti sostenuti di campagne di sanità pubblica o interventi educativi dopo la fine del programma attivo.
- Esaminare come gli atteggiamenti organizzativi (soddisfazione lavorativa, impegno) rispondono ai cambiamenti delle politiche sul posto di lavoro nel tempo.
Come funziona
Come funziona
Il ricercatore definisce le domande di ricerca, seleziona la popolazione target, determina il numero di ondate di misurazione e gli intervalli temporali tra di esse, e costruisce o adatta uno strumento di indagine che sia coerente tra le ondate. La dimensione del campione deve tenere conto dell'attrito previsto e le procedure di consenso informato devono affrontare la partecipazione a più ondate fin dall'inizio.
La prima ondata (Tempo 1) del sondaggio viene somministrata al campione reclutato, raccogliendo misure di base di tutte le variabili chiave — esiti, predittori e covariate. Alti tassi di risposta in questa ondata sono critici perché ogni partecipante perso alla base non può essere recuperato nelle analisi successive.
Ad ogni ondata successiva (Tempo 2, Tempo 3, …), gli stessi partecipanti vengono ricontattati e viene loro nuovamente somministrato lo strumento di indagine. La coerenza nella formulazione delle domande, nei formati di risposta e nella modalità di somministrazione tra le ondate preserva l'equivalenza della misurazione e consente di distinguere il vero cambiamento del punteggio dall'artefatto di misurazione.
L'attrito del panel — l'abbandono dei partecipanti tra le ondate — viene valutato confrontando i completatori di ondata con i non completatori di ondata in base alle caratteristiche di base. Se gli abbandoni differiscono sistematicamente dai continuatori (attrito selettivo), vengono applicate strategie analitiche come l'imputazione multipla, la ponderazione per probabilità inversa o la stima di massima verosimiglianza con informazione completa per ridurre il bias.
I dati longitudinali vengono analizzati con metodi adatti a misurazioni ripetute: modellazione della curva di crescita, modelli di punteggio di cambiamento latente, modelli di panel cross-lagged, equazioni di stima generalizzate o regressione a effetti misti. Il modello scelto dipende dall'interesse primario nel cambiamento a livello medio, nelle traiettorie individuali o nelle relazioni causali reciproche tra variabili nel tempo.
Errori comuni
- Ignorare l'attrito selettivo: presumere che i completatori di ondata siano rappresentativi del campione originale senza verificare l'abbandono differenziale produce stime di cambiamento distorte.
- Modificare lo strumento di indagine tra le ondate: anche lievi revisioni della formulazione o modifiche alla scala di risposta invalidano i confronti diretti dei punteggi nel tempo.
- Campione di base sottodimensionato: calcolare la dimensione del campione solo per la potenza trasversale senza aumentarla per l'attrito previsto lascia lo studio sottodimensionato nelle ondate successive.
- Trattare l'ondata come un effetto fisso senza modellare la crescita: eseguire ANOVA separate per ondata anziché un modello di crescita o misto scarta le informazioni longitudinali e aumenta l'errore di Tipo I.
- Riportare solo medie a livello di gruppo: l'eterogeneità nelle traiettorie individuali è spesso il risultato sostanzialmente importante; le tendenze aggregate possono mascherare sottogruppi divergenti.
Domande frequenti
In che modo la ricerca con sondaggi longitudinali differisce da uno studio di panel?
I termini si sovrappongono sostanzialmente. Uno studio di panel è un tipo specifico di sondaggio longitudinale in cui vengono intervistati esattamente gli stessi individui ad ogni ondata. La ricerca con sondaggi longitudinali è la categoria più ampia; include anche studi di trend (diversi campioni casuali dalla stessa popolazione ad ogni ondata) e studi di coorte (stessa coorte di nascita o di ingresso ma non necessariamente gli stessi rispondenti). Quando le persone dicono "sondaggio longitudinale" intendono più spesso un disegno di panel, ma la precisione è importante nella scelta della strategia analitica.
Quante ondate sono necessarie?
Sono necessarie un minimo di due ondate per osservare il cambiamento, ma due ondate supportano solo modelli limitati (punteggi di differenza, semplice regressione pre-post). Sono necessarie tre o più ondate per stimare le traiettorie di crescita, testare il cambiamento non lineare e applicare modelli di panel cross-lagged. Il numero ottimale di ondate dipende dalla forma attesa del cambiamento e dal modello analitico — più ondate forniscono maggiore potenza per rilevare e caratterizzare le traiettorie.
Come gestisco i dati mancanti dovuti agli abbandoni?
Innanzitutto, valutare se l'attrito è mancante completamente a caso (MCAR), mancante a caso (MAR) o mancante non a caso (MNAR) confrontando gli abbandoni con i completatori sulle variabili di base. Sotto MAR — l'assunzione più difendibile nella maggior parte degli studi di panel — la stima di massima verosimiglianza con informazione completa (FIML) o l'imputazione multipla sono gli approcci preferiti. La semplice eliminazione listwise non è quasi mai appropriata perché scarta dati utilizzabili e produce stime distorte quando l'abbandono non è del tutto casuale.
Un sondaggio longitudinale può stabilire la causalità?
La precedenza temporale (una condizione necessaria per la causalità) può essere dimostrata quando un predittore all'Ondata 1 predice un esito all'Ondata 2 dopo aver controllato per l'esito all'Ondata 1, utilizzando modelli di panel cross-lagged o regressione a punteggi di differenza. Tuttavia, confondenti non misurati che rimangono stabili o cambiano tra le ondate possono ancora distorcere le stime causali. I sondaggi longitudinali forniscono prove più forti rispetto ai disegni trasversali ma rimangono osservazionali; gli esperimenti randomizzati sono lo standard di riferimento per l'inferenza causale.
Come stabilisco che il mio strumento di indagine misura lo stesso costrutto ad ogni ondata?
Attraverso il testing di invarianza della misurazione basato sull'analisi fattoriale confermativa (CFA) (Vandenberg & Lance, 2000). Come minimo, l'invarianza configurale e metrica dovrebbero essere stabilite prima di confrontare le medie latenti; l'invarianza scalare è richiesta per confrontare le medie osservate. Se si trova invarianza parziale, vincolare solo i parametri invarianti e interpretare il cambiamento sugli item non invarianti con cautela.
Metodi correlati
Fonti
Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.
ISBN: 978-0761922452Copiato.Lynn, P. (Ed.). (2009). Methodology of Longitudinal Surveys. Wiley.
ISBN: 978-0470018712Copiato.