Przejdź do treści
Wróć do wyników wyszukiwania

Badania podłużne — Projekt badań podłużnych

Autor metody
No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
Rok
Late 19th–early 20th century; methodologically codified through the 20th century
Typ
Quantitative (or mixed) observational research design
Rodzina
Survey / observational design

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Badania podłużne to projekt obserwacyjny, w którym ci sami uczestnicy, grupy lub jednostki są mierzone wielokrotnie w długim okresie.

Zamiast uchwycić pojedynczą migawkę, śledzi zmiany, stabilność i sekwencjonowanie czasowe zmiennych — co czyni go podstawową strategią nieeksperymentalną do badania rozwoju, wzrostu, spadku i ujawniania się procesów przyczynowych w czasie.

Intuicja stojąca za metodą

Proszę myśleć o badaniach podłużnych jako o śledzeniu tych samych osób (lub organizacji, lub szkół) przez serię punktów kontrolnych, zamiast fotografowania wielu różnych osób jednocześnie. Powracając do tych samych jednostek, badacz może zobaczyć, kto się zmienił, o ile, w jakim kierunku i czy wcześniejsze pomiary przewidują późniejsze wyniki. To śledzenie czasowe odróżnia projekty podłużne od przekrojowych: zamiast wnioskować o zmianie na podstawie różnic między grupami mierzonymi w jednym czasie, obserwuje się zmianę bezpośrednio w tych samych jednostkach mierzonych w wielu punktach czasowych.

Historia

Metody podłużne wyłoniły się pod koniec XIX wieku dzięki badaniom wzrostu śledzącym rozwój fizyczny dzieci oraz w epidemiologii dzięki badaniom kohortowym śledzącym zachorowalność. Główne zbiory danych podłużnych XX wieku — w tym Berkeley Growth Study (1928), British Cohort Studies (1958, 1970) i Framingham Heart Study (1948) — ukształtowały rozwój metodologii. Ramy statystyczne do analizy danych podłużnych znacznie dojrzały w latach 80. i 90. XX wieku dzięki pracy badaczy takich jak Judith Singer, John Willett i Michael Raudenbush, co doprowadziło do szeroko przyjętych podręczników i oprogramowania do modelowania wielopoziomowego i krzywych wzrostu.

Kiedy stosować

Używaj badań podłużnych, gdy podstawowe pytanie dotyczy zmiany lub rozwoju w czasie — na przykład, jak osiągnięcia akademickie ewoluują od szkoły podstawowej do średniej, jak trajektorie zdrowotne rozwijają się po zdarzeniu medycznym, lub czy postawa mierzona w jednym punkcie przewiduje zachowanie mierzone później. Jest to odpowiedni projekt, gdy dane przekrojowe nie mogą odróżnić efektów wieku od efektów kohorty i gdy zmiana wewnątrz osoby jest teoretycznie znacząca. Nie używaj badań podłużnych, gdy zjawisko jest zasadniczo statyczne, gdy wymagany okres obserwacji przekracza dostępne zasoby, lub gdy attrition w populacji docelowej będzie tak poważne, że pozostała próba stanie się niereprezentatywna. Projekty przekrojowe są bardziej wydajne, gdy pojedyncza migawka wystarcza do odpowiedzi na pytanie badawcze.

Ograniczenia i uwagi

  • Attrition (dropout) między falami zagraża trafności wewnętrznej, jeśli osoby, które opuszczają badanie, różnią się systematycznie od tych, które pozostają.
  • Długie okresy obserwacji są kosztowne pod względem zasobów — finansowanie, personel i utrzymanie uczestników kumulują się w czasie.
  • Wielokrotne pomiary tych samych uczestników mogą prowadzić do efektów testowania: znajomość narzędzi, uwrażliwienie na tematy lub efekty praktyki na testach.
  • Nie można kontrolować niezmierzonych zmiennych zakłócających zależnych od czasu w taki sam sposób, jak w randomizowanym eksperymencie; twierdzenia o przyczynowości pozostają probabilistyczne.
  • Zmiany historyczne zachodzące między falami (efekty okresu) mogą zakłócać obserwowane trendy i są trudne do oddzielenia od rozwoju wewnątrz osoby.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Bezpośrednio obserwuje zmianę wewnątrz osoby lub jednostki, zamiast wnioskować o niej na podstawie porównań przekrojowych wieku.
  • Ustanawia porządek czasowy zmiennych, dostarczając silniejszych (choć nie rozstrzygających) dowodów na kierunek przyczynowy niż projekty jednofalowe.
  • Pozwala na rozdzielenie efektów wieku, kohorty i okresu, gdy śledzone są wiele kohort.
  • Umożliwia oszacowanie indywidualnych trajektorii wzrostu i identyfikację podgrup o różnych wzorcach rozwojowych.
  • Nagromadzone zbiory danych podłużnych (np. badania kohort urodzeniowych) mogą odpowiadać na wiele pytań badawczych przez dziesięciolecia.

Zastosowania

  • Śledzenie rozwoju poznawczego, osiągnięć akademickich i wzrostu społeczno-emocjonalnego od dzieciństwa do adolescencji.
  • Śledzenie kohort pacjentów po operacji, diagnozie lub leczeniu w celu mapowania trajektorii powrotu do zdrowia i identyfikacji predyktorów nawrotu.
  • Monitorowanie wyników organizacyjnych lub siły roboczej — zaangażowanie pracowników, zamiar odejścia, produktywność — w cyklach gospodarczych.
  • Badanie długoterminowych skutków interwencji politycznych w edukacji, zdrowiu publicznym lub na rynkach pracy bez losowego przypisania.
  • Badanie, jak osobowość, postawy i wartości zmieniają się na przestrzeni etapów życia w psychologii rozwojowej i społecznej.
  • Modelowanie zachorowalności i akumulacji czynników ryzyka w epidemiologicznych badaniach kohort urodzeniowych lub zawodowych.

Jak to działa

Jak to działa

1

Badacz definiuje pytanie badawcze w kategoriach zmiany lub stabilności w czasie i decyduje o ramie podłużnej: projekt panelowy (ci sami uczestnicy w każdej fali), projekt kohortowy (grupa dzieląca wspólne doświadczenie śledzona w przyszłość) lub projekt trendowy (ta sama populacja próbkowana niezależnie w każdej fali). Ramy czasowe, liczba fal pomiarowych i odstępy między falami są planowane tak, aby odpowiadały oczekiwanemu tempu zmian w badanym zjawisku.

2

Rekrutowana jest próba uczestników lub jednostek, która jest reprezentatywna dla populacji docelowej i wystarczająco duża, aby pozostać analitycznie adekwatna po oczekiwanym spadku między falami (attrition). Kryteria rekrutacji muszą być jasno określone, aby początkowa próba mogła być śledzona i ponownie kontaktowana w kolejnych falach. W projektach panelowych i kohortowych utrzymanie informacji kontaktowych i zaangażowania uczestników w kolejnych falach jest od początku kluczowym problemem logistycznym.

3

Dane są zbierane od tych samych jednostek w każdej ustalonej fali przy użyciu spójnych narzędzi i procedur. Narzędzia powinny być utrzymywane w stałej formie w kolejnych falach, aby zapewnić równoważność pomiaru; wszelkie niezbędne aktualizacje muszą być ocenione pod kątem porównywalności. Powszechne źródła danych obejmują ankiety, wystandaryzowane testy, dane administracyjne oraz oceny biologiczne lub behawioralne. Każda fala zbierania danych jest sama w sobie kompletnym zdarzeniem pomiarowym wymagającym próbkowania, pracy terenowej i kontroli jakości.

4

Dane podłużne wymagają skrupularnego zarządzania danymi: powiązania rekordów między falami przy użyciu unikalnych identyfikatorów uczestników, obsługi brakujących danych wynikających z attrition lub wzorców pomijania, oraz dokumentowania zmian w narzędziach lub warunkach administracji. Brakujące dane są adresowane analitycznie — preferowane są metody pełnej informacji o prawdopodobieństwie (FIML) i wielokrotna imputacja (MI) nad usunięciem listowym, ponieważ attrition rzadko jest całkowicie losowe (MCAR).

5

Zmiana w czasie jest badana przy użyciu podejść analitycznych dopasowanych do struktury danych i pytania badawczego. Powszechne strategie obejmują modelowanie krzywych wzrostu (indywidualne trajektorie za pomocą modeli wielopoziomowych lub ukrytych krzywych wzrostu), regresję panelową z efektami stałymi i losowymi, modele panelowe z krzyżowym opóźnieniem dla przyczynowości wzajemnej oraz analizę przeżycia lub historii zdarzeń dla wyników czasowych do zdarzenia. Opisy statystyczne zmian falowych poprzedzają modelowanie inferencyjne.

6

Wyniki są interpretowane w kategoriach kierunku, tempa i predyktorów zmian — i są wyraźnie kwalifikowane przez ograniczenia projektu (obserwacyjny, nie eksperymentalny; możliwe efekty selekcji). Porządek czasowy zmiennych — mierzonych w różnych falach — zapewnia silniejsze dowody na kierunek przyczynowy niż dane przekrojowe, ale należy uwzględnić zakłócenia spowodowane przez niezmierzonych zmiennych zależnych od czasu.

Częste pułapki

  • Ignorowanie błędu attrition — raportowanie wyników kompletnych przypadków bez testowania, czy osoby, które wypadły, różnią się od osób, które ukończyły badanie, pod względem kluczowych zmiennych bazowych, lub bez stosowania zasadniczych metod obsługi brakujących danych (FIML, MI), zwiększa ryzyko obciążonych oszacowań.
  • Niewłaściwa równoważność pomiaru między falami — jeśli sformułowanie narzędzia, skale odpowiedzi lub warunki administracji zmieniają się między falami, pozorna zmiana wyników może odzwierciedlać dryf pomiaru, a nie rzeczywistą zmianę; należy przetestować równoważność konfiguralną i metryczną.
  • Zbyt mało fal dla złożonych modeli zmian — dopasowanie modeli krzywych wzrostu tylko z dwoma falami ogranicza model do linii prostej i uniemożliwia wykrycie nieliniowych trajektorii; planuj co najmniej trzy fale, gdy tylko kwadratowa lub krzywoliniowa zmiana jest prawdopodobna.
  • Mylenie podtypów projektów — projekty panelowe, kohortowe i trendowe mają różne struktury próbkowania i odpowiadają na różne pytania; traktowanie ich zamiennie prowadzi do błędów analitycznych i nieodpowiednich generalizacji.
  • Niedoszacowanie efektów odstępów obserwacji — odstępy zbyt krótkie mogą nie uchwycić znaczącej zmiany; odstępy zbyt długie mogą pominąć ważne pośrednie zmienności lub efekty szczytowe.

Najczęściej zadawane pytania

Czym badania podłużne różnią się od badania panelowego i badania kohortowego?

Wszystkie trzy są podłużne, ale różnią się strukturą próbkowania. Badanie panelowe śledzi tych samych uczestników w każdej fali i jest zaprojektowane do pomiaru zmiany na poziomie indywidualnym. Badanie kohortowe śledzi osoby, które dzielą definiującą cechę lub doświadczenie (np. urodzone w tym samym roku, zdiagnozowane w tym samym okresie) i koncentruje się na trajektoriach na poziomie grupy. Badanie trendowe bada niezależne próby z tej samej populacji w każdej fali i opisuje zmiany na poziomie populacji bez śledzenia jednostek. Wybór zależy od tego, czy zmiana wewnątrz osoby, trajektorie grupowe, czy trendy populacyjne są głównym celem.

Ile fal pomiarowych potrzebuję?

Minimum to dwie fale, aby ustalić zmianę, ale dwie fale pozwalają tylko na wynik różnicowy i nie mogą modelować kształtu zmiany. Trzy fale są praktycznym minimum dla modelowania krzywych wzrostu, ponieważ pozwalają na oszacowanie trajektorii kwadratowej. Więcej fal poprawia precyzję oszacowań indywidualnych trajektorii i pozwala na wykrycie bardziej złożonych wzorców zmian. Planuj fale, aby dopasować je do teoretycznie znaczących odstępów, biorąc pod uwagę oczekiwane tempo zmian.

Jak powinienem sobie radzić z brakującymi danymi z powodu attrition?

Najpierw przetestuj, czy osoby, które wypadły, różnią się od osób, które ukończyły badanie, pod względem kluczowych zmiennych bazowych (analiza attrition). Następnie użyj zasadniczych metod obsługi brakujących danych zamiast usunięcia listowego: pełnej informacji o prawdopodobieństwie (FIML) przy estymacji maksymalnego prawdopodobieństwa lub wielokrotnej imputacji (MI) przed analizą. Obie metody zakładają, że dane są brakujące losowo (MAR) warunkowo na obserwowanych zmiennych. Jeśli podejrzewa się, że brakujące dane zależą od nieobserwowanego wyniku (brakujące nie losowo, MNAR), uzasadnione są analizy wrażliwości przy użyciu modeli mieszanych wzorców lub modeli selekcji.

Czy projekt podłużny dowodzi przyczynowości?

Porządek czasowy — mierzenie predyktora przed wynikiem — jest warunkiem koniecznym przyczynowości, a projekty podłużne ustanawiają go bardziej bezpośrednio niż projekty przekrojowe. Jednak obserwacyjne projekty podłużne nie mogą wykluczyć zakłóceń przez niezmierzonych zmiennych, więc nie dowodzą przyczynowości. Techniki takie jak modele panelowe z krzyżowym opóźnieniem, regresja z efektami stałymi i podejścia zmiennych instrumentalnych mogą wzmocnić wnioskowanie przyczynowe, ale każde z nich ma swoje własne założenia. Randomizowane eksperymenty pozostają złotym standardem dla twierdzeń o przyczynowości.

Jakie jest ryzyko efektów testowania w powtarzanych pomiarach?

Gdy uczestnicy wielokrotnie wypełniają te same lub podobne narzędzia, ich znajomość formatów pytań, uwrażliwienie na tematy badania lub praktyka na testach poznawczych mogą zawyżać lub zaniżać wyniki niezależnie od rzeczywistej zmiany. Ryzyko jest wyższe przy krótkich odstępach między falami i przy miarach opartych na wykonaniu. Strategie łagodzące obejmują stosowanie równoległych form narzędzi, włączanie grup kontrolnych i ocenę rzetelności retestu w badaniach pilotażowych.

Pokrewne metody

Źródła

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

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

    ISBN: 978-0195152968
    Skopiowano.