Skip to content
検索結果に戻る

縦断研究 — 縦断研究デザイン

提唱者
No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
年
Late 19th–early 20th century; methodologically codified through the 20th century
種類
Quantitative (or mixed) observational research design
系統
Survey / observational design

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

縦断研究とは、同一の参加者、グループ、または単位を長期間にわたって繰り返し測定する観察デザインである。単一のスナップショットを捉えるのではなく、変化、安定性、および変数の時間的順序を追跡する。これにより、発達、成長、衰退、および時間を通じた因果プロセスの展開を研究するための主要な非実験的戦略となる。

手法の背後にある直感

縦断研究を、一度に多くの異なる人々を撮影するのではなく、一連のチェックポイントを通して同じ人々(または組織、学校)を追跡することだと考えてほしい。同じ単位に繰り返し戻ることで、研究者は誰がどのように変化し、どの方向に変化し、初期の測定値が後の結果を予測するかを知ることができる。この時間的追跡こそが、縦断デザインを横断デザインと区別するものである。一度に測定されたグループ間の違いから変化を推測するのではなく、複数の時点で測定された同じ単位内での変化を直接観察する。

歴史学

縦断研究の方法論は、19世紀後半に子供の身体発達を追跡する成長研究や、疾患発生率を追跡する疫学におけるコホート研究を通じて出現した。1928年のバークレー成長研究、1958年と1970年の英国コホート研究、1948年のフレーミングハム心臓研究などの主要な20世紀の縦断データセットは、方法論の発展を形作った。縦断データ分析のための統計的枠組みは、1980年代と1990年代に、ジュディス・シンガー、ジョン・ウィレット、マイケル・ローデンバッシュなどの研究者の業績を通じて大幅に成熟し、多レベルおよび成長曲線モデリングのための広く採用された教科書とソフトウェアにつながった。

使うべき場面

質問の核心が時間を通じた変化または発達に関わる場合、縦断研究を使用する。例えば、学業成績が小学校から中学校にかけてどのように進化するか、医学イベント後の健康軌跡がどのように展開するか、あるいはある時点で測定された態度が後に測定された行動を予測するかどうかなどである。横断データでは年齢効果とコホート効果を区別できず、個人内の変化が理論的に意味を持つ場合に適切なデザインである。現象が本質的に静的である場合、追跡期間が利用可能なリソースを超える場合、または対象母集団の非回答が深刻で維持されたサンプルが代表性を失う場合に、縦断研究を使用しない。単一のスナップショットで研究課題に答えるのに十分な場合は、横断デザインの方が効率的である。

限界と注意点

  • 波を通じた非回答(脱落)は、脱落した人が残った人と体系的に異なる場合、内的妥当性を脅かす。
  • 長期間の追跡はリソース集約的である。資金、人員、参加者の維持はすべて時間とともに増大する。
  • 同じ参加者の繰り返し測定は、機器への習熟、トピックへの感受性、またはテストの練習効果など、検査効果を生じさせる可能性がある。
  • ランダム化実験のように、測定されていない時間変動交絡因子を制御できない。因果関係の主張は確率的なままである。
  • 波間に発生した歴史的変化(期間効果)は、観察された傾向を交絡する可能性があり、個人内の発達から分離するのが難しい。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 横断的な年齢比較から推測するのではなく、個人内または単位内の変化を直接観察する。
  • 単一波デザインよりも因果的方向性についてより強い(ただし決定的なものではない)証拠を提供する変数の時間的順序を確立する。
  • 複数のコホートを追跡する場合、年齢効果、コホート効果、および期間効果を分離できる。
  • 個々の成長軌跡の推定を可能にし、異なる発達パターンを持つサブグループを特定できる。
  • 蓄積された縦断データセット(例:出生コホート研究)は、数十年にわたって複数の研究課題に対処できる。

応用

  • 幼少期から青年期にかけての認知発達、学業成績、および社会情動的成長の追跡。
  • 手術、診断、または治療後の患者コホートを追跡し、回復軌跡をマッピングし、再発の予測因子を特定する。
  • 経済サイクルを通じた組織または労働力の成果(従業員エンゲージメント、離職意向、生産性)の監視。
  • ランダム割り当てなしで、教育、公衆衛生、または労働市場における政策介入の長期的な影響を研究する。
  • 発達心理学および社会心理学における人生の段階を通じた性格、態度、価値観の変化の調査。
  • 疫学的な出生コホートまたは職業コホート研究における疾患発生率とリスクファクター蓄積のモデリング。

使い方

使い方

1

研究者は、時間を通じた変化または安定性という観点から研究課題を定義し、縦断的枠組みを決定する。すなわち、パネルデザイン(各波で同じ個人)、コホートデザイン(共通の経験を共有するグループを追跡)、またはトレンドデザイン(各波で独立してサンプリングされた同じ母集団)である。時間枠、測定波の数、および波の間隔は、関心のある現象の変化の予想されるペースに合わせるように計画される。

2

対象母集団を代表し、波間の予想される脱落(非回答)後も分析的に十分な大きさを持つサンプルが募集される。募集基準は明確に指定されなければならず、初期サンプルを波を通じて追跡し、再連絡できるようにする必要がある。パネルデザインおよびコホートデザインでは、波を通じて連絡先情報と参加者の関与を維持することが、当初からの重要なロジスティック上の懸念となる。

3

データは、各所定の波で、一貫した機器と手順を用いて同じ単位から収集される。測定の等価性を確保するために、機器は波を通じて一定に保たれるべきであり、必要な更新は比較可能性について評価されなければならない。一般的なデータソースには、調査、標準化テスト、管理記録、および生物学的または行動的評価が含まれる。各波のデータ収集は、サンプリング、フィールドワーク、および品質管理を必要とする完全な測定イベントである。

4

縦断データには、一意の参加者識別子を用いて波間で記録をリンクすること、非回答またはスキップパターンに起因する欠損データの処理、および機器または管理条件の変化の文書化など、細心の注意を払ったデータ管理が必要である。欠損データは分析的に対処される。全情報最尤法(FIML)および多重代入法(MI)は、非回答が完全にランダムに欠損している(MCAR)ことはまれであるため、リストワイズ削除よりも好ましい。

5

時間を通じた変化は、データ構造と研究課題に合わせた分析アプローチを用いて検討される。一般的な戦略には、成長曲線モデリング(多レベルまたは潜在成長曲線モデルによる個々の軌跡)、固定効果およびランダム効果パネル回帰、相互因果関係のためのクロスラグパネルモデル、およびイベント発生までの結果のための生存分析またはイベント履歴分析が含まれる。波ごとの変化の記述的要約は、推論モデリングに先行する。

6

結果は、変化の方向性、速度、および予測因子という観点から解釈され、デザインの限界(実験的ではなく観察的、選択効果の可能性)によって明示的に限定される。異なる波で測定された変数の時間的順序は、横断データよりも因果的方向性についてより強い証拠を提供するが、測定されていない時間変動共変量による交絡は認識されなければならない。

よくある落とし穴

  • 非回答バイアスの無視。完了者とキーとなるベースライン変数で異なるかどうかをテストせずに、または原則的な欠損値法(FIML、MI)を使用せずに、完了ケースの結果を報告することは、推定値のバイアスリスクを増大させる。
  • 波間の測定非等価性。機器の文言、回答スケール、または管理条件が波間で変化した場合、スコアの明らかな変化は、真の変化ではなく測定ドリフトを反映する可能性がある。構成的等価性と計量的等価性をテストする必要がある。
  • 複雑な変化モデルには波が少なすぎる。2つの波しかない成長曲線モデルの適合は、モデルを直線に制約し、非線形軌跡の検出を妨げる。二次的または曲線的な変化が起こりうる場合は、少なくとも3つの波を計画する。
  • デザインサブタイプの混同。パネル、コホート、トレンドデザインは異なるサンプリング構造を持ち、異なる質問に答える。それらを同等に扱うと、分析エラーや不適切な一般化につながる。
  • 追跡間隔効果の過小評価。間隔が短すぎると意味のある変化を捉えられない可能性があり、間隔が長すぎると重要な中間的な変動やピーク効果を見逃す可能性がある。

よくある質問

縦断研究はパネル研究やコホート研究とどう違うのか?

すべて縦断的であるが、サンプリング構造が異なる。パネル研究は、すべての波で同じ個人を追跡し、個人レベルの変化を測定するように設計されている。コホート研究は、共通の定義特性または経験(例:同じ年に生まれた、同じ期間に診断された)を共有する人々を追跡し、グループレベルの軌跡に焦点を当てる。トレンド研究は、各波で同じ母集団から独立したサンプルを調査し、個人を追跡せずに母集団レベルの変化を記述する。選択は、個人内の変化、グループ軌跡、または母集団トレンドが主な対象であるかどうかに依存する。

測定波はいくつ必要か?

変化を確立するための最低は2波だが、2波では差分スコアしか得られず、変化の形状をモデル化できない。成長曲線モデリングの実際的な最小値は3波であり、二次軌跡を推定できる。より多くの波は、個々の軌跡推定の精度を向上させ、より複雑な変化パターンを検出できるようにする。波は、予想される変化のペースを考慮して、理論的に意味のある間隔に合わせるように計画する。

ドロップアウトによる欠損データはどう処理すべきか?

まず、ドロップアウトした人がキーとなるベースライン変数で完了した人と異なるかどうかをテストする(非回答分析)。次に、リストワイズ削除ではなく、原則的な欠損値法を使用する。最尤推定下での全情報最尤法(FIML)または分析前の多重代入法(MI)である。どちらも、データが観測された変数に基づいてランダムに欠損している(MAR)と仮定する。欠損が未観測の成果自体に依存している(ランダムに欠損していない、MNAR)と疑われる場合は、パターン混合モデルまたは選択モデルを使用した感度分析が正当化される。

縦断デザインは因果関係を証明するか?

時間的順序(予測因子を結果の前に測定すること)は因果関係の必要条件であり、縦断デザインは横断デザインよりも直接的にそれを確立する。しかし、観察的な縦断デザインでは、未測定の変数による交絡を排除できないため、因果関係を証明するものではない。クロスラグパネルモデル、固定効果回帰、操作変数アプローチなどの技術は、因果推論を強化できるが、それぞれに独自の仮定がある。ランダム化実験は、因果関係の主張におけるゴールドスタンダードであり続ける。

繰り返し測定における検査効果のリスクは何か?

参加者が同じまたは類似の機器を繰り返し完了すると、項目形式への習熟、研究トピックへの感受性、または認知テストの練習効果が、真の変化とは独立にスコアをインフレまたはデフレさせる可能性がある。リスクは、波間隔が短い場合や、パフォーマンスベースの測定値で高くなる。軽減策には、機器の平行形式の使用、対照群の組み込み、パイロット研究での再検査信頼性の評価が含まれる。

関連する手法

参考文献

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

    ISBN:978-0761922841
    コピーしました。
  2. Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.

    ISBN:978-0195152968
    コピーしました。