Лонгитюдное исследование — Дизайн лонгитюдного исследования
- Автор метода
- No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
- Год
- Late 19th–early 20th century; methodologically codified through the 20th century
- Тип
- Quantitative (or mixed) observational research design
- Семейство
- Survey / observational design
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Лонгитюдное исследование — это обсервационный дизайн, при котором одни и те же участники, группы или единицы измерения многократно измеряются в течение длительного периода.
Вместо того чтобы фиксировать одномоментный срез, оно отслеживает изменения, стабильность и временную последовательность переменных, что делает его основной неэкспериментальной стратегией для изучения развития, роста, спада и развертывания причинно-следственных процессов во времени.
Интуиция метода
Представьте лонгитюдное исследование как отслеживание одних и тех же людей (или организаций, или школ) через ряд контрольных точек, а не как одновременное фотографирование множества разных людей. Возвращаясь к одним и тем же единицам, исследователь может увидеть, кто изменился, насколько, в каком направлении, и предсказывают ли ранние измерения последующие результаты. Это временное отслеживание отличает лонгитюдные дизайны от кросс-секционных: вместо того чтобы выводить изменение из различий между группами, измеренными в один момент времени, вы непосредственно наблюдаете изменение внутри одних и тех же единиц, измеренных в несколько моментов времени.
История
Лонгитюдные методы появились в конце XIX века благодаря исследованиям роста, отслеживающим физическое развитие детей, и в эпидемиологии благодаря когортным исследованиям, отслеживающим заболеваемость. Крупные лонгитюдные наборы данных XX века — включая Берклиевское исследование роста (1928), Британские когортные исследования (1958, 1970) и Фрамингемское исследование сердца (1948) — сформировали развитие методологии. Статистические основы для анализа лонгитюдных данных существенно развились в 1980-х и 1990-х годах благодаря работам таких исследователей, как Джудит Сингер, Джон Уиллетт и Майкл Рауденбуш, что привело к появлению широко используемых учебников и программного обеспечения для многоуровневого моделирования и моделирования кривых роста.
Когда применять
Используйте лонгитюдное исследование, когда основной вопрос касается изменения или развития во времени — например, как академическая успеваемость развивается от начальной до средней школы, как разворачиваются траектории здоровья после медицинского события, или предсказывает ли отношение, измеренное в один момент, поведение, измеренное позже. Это подходящий дизайн, когда кросс-секционные данные не могут отличить возрастные эффекты от когортных эффектов и когда изменение внутри человека теоретически значимо. Не используйте лонгитюдное исследование, когда явление по существу статично, когда требуемый период наблюдения превышает доступные ресурсы, или когда атриция в целевой популяции будет настолько сильной, что оставшаяся выборка станет нерепрезентативной. Кросс-секционные дизайны более эффективны, когда одного среза достаточно для ответа на исследовательский вопрос.
Ограничения и замечания
- Атриция (выбывание) между волнами угрожает внутренней валидности, если те, кто покидает исследование, систематически отличаются от тех, кто остается.
- Длительные периоды наблюдения требуют больших ресурсов — финансирование, персонал и удержание участников со временем усложняются.
- Повторное измерение одних и тех же участников может вызвать эффекты тестирования: знакомство с инструментами, сенсибилизация к темам или эффекты практики на тестах.
- Не может контролировать неизмеренные изменяющиеся во времени смешивающие факторы так, как это может рандомизированный эксперимент; причинно-следственные утверждения остаются вероятностными.
- Исторические изменения, происходящие между волнами (эффекты периода), могут искажать наблюдаемые тенденции и их трудно отделить от внутриличностного развития.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Непосредственно наблюдает изменение внутри человека или внутри единицы, а не выводит его из кросс-секционных возрастных сравнений.
- Устанавливает временной порядок переменных, предоставляя более сильные (хотя и не окончательные) доказательства причинно-следственной связи, чем одноволновые дизайны.
- Позволяет разделять возрастные эффекты, когортные эффекты и эффекты периода, когда отслеживаются несколько когорт.
- Позволяет оценивать индивидуальные траектории роста и выявлять подгруппы с различными паттернами развития.
- Накопленные лонгитюдные наборы данных (например, исследования когорт рождения) могут решать множество исследовательских вопросов на протяжении десятилетий.
Применение
- Отслеживание когнитивного развития, академической успеваемости и социально-эмоционального роста от детства до подросткового возраста.
- Наблюдение за когортами пациентов после операции, постановки диагноза или лечения для картирования траекторий восстановления и выявления предикторов рецидива.
- Мониторинг организационных или трудовых показателей — вовлеченность сотрудников, намерение уволиться, производительность — на протяжении экономических циклов.
- Изучение долгосрочных эффектов политических интервенций в образовании, здравоохранении или на рынках труда без случайного распределения.
- Исследование того, как личность, установки и ценности меняются на разных этапах жизни в психологии развития и социальной психологии.
- Моделирование заболеваемости и накопления факторов риска в эпидемиологических когортных исследованиях рождения или профессиональных когортных исследованиях.
Как это работает
Как это работает
Исследователь определяет исследовательский вопрос с точки зрения изменения или стабильности во времени и выбирает лонгитюдную структуру: панельный дизайн (одни и те же индивиды на каждой волне), когортный дизайн (группа, разделяющая общий опыт, отслеживаемая вперед) или трендовый дизайн (та же популяция, независимо выборочная на каждой волне). Временные рамки, количество волн измерений и интервалы между волнами планируются таким образом, чтобы соответствовать ожидаемому темпу изменения интересующего явления.
Набирается выборка участников или единиц, которая репрезентативна для целевой популяции и достаточно велика, чтобы оставаться аналитически адекватной после ожидаемого отсева между волнами (атриции). Критерии набора должны быть четко определены, чтобы первоначальная выборка могла быть отслежена и повторно связана на протяжении всех волн. В панельных и когортных дизайнах поддержание контактной информации и вовлеченности участников на протяжении всех волн является критически важной логистической задачей с самого начала.
Данные собираются от одних и тех же единиц на каждой заранее определенной волне с использованием согласованных инструментов и процедур. Инструменты должны оставаться неизменными на протяжении всех волн для обеспечения эквивалентности измерений; любые необходимые обновления должны быть оценены на предмет сопоставимости. Общие источники данных включают опросы, стандартизированные тесты, административные записи, а также биологические или поведенческие оценки. Каждая волна сбора данных сама по себе является полноценным измерительным событием, требующим выборки, полевых работ и контроля качества.
Лонгитюдные данные требуют тщательного управления данными: связывание записей между волнами с использованием уникальных идентификаторов участников, обработка пропущенных данных, возникающих из-за атриции или пропусков в анкетах, и документирование изменений в инструментах или условиях администрирования. Пропущенные данные обрабатываются аналитически — полноинформационная максимальная вероятность (FIML) и множественное вменение (MI) предпочтительнее удаления списком, поскольку атриция редко является полностью случайной (MCAR).
Изменение во времени исследуется с использованием аналитических подходов, соответствующих структуре данных и исследовательскому вопросу. Общие стратегии включают моделирование кривых роста (индивидуальные траектории с помощью многоуровневых или латентных моделей кривых роста), панельную регрессию с фиксированными и случайными эффектами, кросс-лаговые панельные модели для реципрокной причинности, а также анализ выживаемости или событийной истории для исходов, связанных со временем до события. Описательные сводки изменений от волны к волне предшествуют инференциальному моделированию.
Результаты интерпретируются с точки зрения направления, скорости и предикторов изменений — и явно квалифицируются ограничениями дизайна (обсервационный, а не экспериментальный; возможные эффекты отбора). Временной порядок переменных, измеренных на разных волнах, предоставляет более сильные доказательства причинно-следственной связи, чем кросс-секционные данные, но необходимо признать смешение с неизмеренными изменяющимися во времени ковариатами.
Частые ошибки
- Игнорирование систематической ошибки, вызванной атрицией — сообщение результатов по полным данным без проверки того, отличаются ли выбывшие от оставшихся по ключевым базовым переменным, или без использования принципиальных методов обработки пропущенных данных (FIML, MI), увеличивает риск смещенных оценок.
- Неэквивалентность измерений между волнами — если формулировки инструментов, шкалы ответов или условия администрирования меняются между волнами, кажущееся изменение в показателях может отражать дрейф измерения, а не истинное изменение; следует проверять конфигурационную и метрическую инвариантность.
- Слишком мало волн для сложных моделей изменения — подгонка моделей кривых роста всего с двумя волнами ограничивает модель прямой линией и препятствует обнаружению нелинейных траекторий; планируйте как минимум три волны, когда квадратичное или криволинейное изменение правдоподобно.
- Смешение подтипов дизайна — панельные, когортные и трендовые дизайны имеют разные структуры выборки и отвечают на разные вопросы; их взаимозаменяемое использование приводит к аналитическим ошибкам и неадекватным обобщениям.
- Недооценка эффектов интервала наблюдения — слишком короткие интервалы могут не уловить значимых изменений; слишком длинные интервалы могут пропустить важные промежуточные вариации или пиковые эффекты.
Часто задаваемые вопросы
Чем лонгитюдное исследование отличается от панельного исследования и когортного исследования?
Все три являются лонгитюдными, но они различаются по структуре выборки. Панельное исследование отслеживает одних и тех же индивидов на каждой волне и предназначено для измерения изменений на индивидуальном уровне. Когортное исследование отслеживает людей, которые разделяют определяющую характеристику или опыт (например, родились в один и тот же год, получили диагноз в один и тот же период), и фокусируется на траекториях на групповом уровне. Трендовое исследование опрашивает независимые выборки из одной и той же популяции на каждой волне и описывает изменения на уровне популяции без отслеживания индивидов. Выбор зависит от того, являются ли первичной целью изменения внутри человека, групповые траектории или популяционные тенденции.
Сколько волн измерений мне нужно?
Минимум — две волны для установления изменения, но две волны позволяют получить только разностный балл и не могут моделировать форму изменения. Три волны — это практический минимум для моделирования кривых роста, поскольку они позволяют оценить квадратичную траекторию. Большее количество волн улучшает точность оценок индивидуальных траекторий и позволяет обнаруживать более сложные паттерны изменений. Планируйте волны так, чтобы они соответствовали теоретически значимым интервалам, учитывая ожидаемый темп изменений.
Как мне обрабатывать пропущенные данные из-за выбывания?
Сначала проверьте, отличаются ли выбывшие от оставшихся по ключевым базовым переменным (анализ атриции). Затем используйте принципиальные методы обработки пропущенных данных, а не удаление списком: полноинформационная максимальная вероятность (FIML) при оценке максимального правдоподобия или множественное вменение (MI) перед анализом. Оба метода предполагают, что данные отсутствуют случайно (MAR) при условии наблюдаемых переменных. Если есть подозрение, что пропуски зависят от самого ненаблюдаемого результата (отсутствуют не случайно, MNAR), оправданы анализы чувствительности с использованием моделей смешения паттернов или моделей отбора.
Доказывает ли лонгитюдный дизайн причинно-следственную связь?
Временной порядок — измерение предиктора до исхода — является необходимым условием причинно-следственной связи, и лонгитюдные дизайны устанавливают его более прямо, чем кросс-секционные. Однако обсервационные лонгитюдные дизайны не могут исключить смешение с неизмеренными переменными, поэтому они не доказывают причинно-следственную связь. Такие методы, как кросс-лаговые панельные модели, регрессия с фиксированными эффектами и подходы с инструментальными переменными, могут усилить причинно-следственные выводы, но каждый из них имеет свои собственные допущения. Рандомизированные эксперименты остаются золотым стандартом для причинно-следственных утверждений.
Каков риск эффектов тестирования при повторных измерениях?
Когда участники многократно заполняют одни и те же или похожие инструменты, их знакомство с форматами заданий, сенсибилизация к темам исследования или практика на когнитивных тестах могут завышать или занижать баллы независимо от истинного изменения. Риски выше при коротких межволновых интервалах и при использовании показателей, основанных на производительности. Стратегии смягчения включают использование параллельных форм инструментов, включение контрольных групп и оценку надежности повторного тестирования в пилотных исследованиях.
Похожие методы
Источники
Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.
ISBN: 978-0761922841Скопировано.Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.
ISBN: 978-0195152968Скопировано.