Лонгитюдное (продольное) исследование методом опроса — Дизайн опроса с повторными измерениями
- Автор метода
- Survey methodology tradition; codified in social sciences by scholars including W.S. Robinson (1950) and later Scott Menard
- Год
- Mid-20th century (formalized ~1950s–1970s)
- Тип
- Quantitative 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 методом опроса собирает структурированные данные анкет от одних и тех же индивидов (или единиц) в два или более момента времени.
В отличие от одномоментного кросс-секционного опроса, этот дизайн фиксирует изменения, стабильность и временную упорядоченность переменных, позволяя исследователям отслеживать траектории, проверять причинно-следственные последовательности и отличать когортные эффекты от эффектов старения в рамках количественной парадигмы.
Интуиция метода
Представьте, что вы хотите узнать, действительно ли новая школьная программа улучшает отношение учащихся к математике в течение года — а не просто каковы эти отношения в один момент времени. Лонгитюдное исследование методом опроса следует за одними и теми же учащимися в начале года, в середине года и в конце года, задавая каждый раз идентичные или параллельные вопросы. Поскольку одни и те же люди отвечают многократно, вы можете напрямую сравнивать изменения каждого индивида, а не делать выводы о них на основе разных людей в разное время. Временная структура придает этому дизайну аналитическую мощь: вы можете наблюдать последовательности изменений, а не их моментальные снимки.
История
Использование опросов, повторяемых во времени, возникло в социальных науках в середине двадцатого века. Статья У.С. Робинсона 1950 года об экологических и индивидуальных корреляциях привлекла внимание к ограничениям кросс-секционных данных для выводов на индивидуальном уровне, что стимулировало панельные дизайны. Крупномасштабные лонгитюдные программы опросов — включая Panel Study of Income Dynamics (PSID, запущен в 1968 г.) и National Longitudinal Surveys (NLS) в Соединенных Штатах — продемонстрировали осуществимость и научную ценность отслеживания одних и тех же респондентов на протяжении десятилетий. Руководство Скотта Менарда (1991, 2-е изд. 2002) и сборник статей Питера Линна по методологии лонгитюдных опросов (2009) кодифицировали лучшие практики для дизайна выборки, управления убылью участников и анализа.
Когда применять
Используйте лонгитюдное исследование методом опроса, когда основной вопрос касается изменений во времени, временной упорядоченности переменных или развития исходов у индивидов или единиц — вопросы, на которые не может ответить кросс-секционный опрос. Он хорошо подходит для изучения изменений в установках, траекторий развития, карьерных путей, моделей поведения в отношении здоровья и эффектов политики, когда экспериментальное вмешательство невозможно или неэтично. Дизайн требует стабильной, отслеживаемой выборки; достаточного финансирования и институциональных возможностей для сбора данных в нескольких волнах; и готовности управлять убылью участников. НЕ используйте его, когда: (1) требуется только оценка распространенности в один момент времени — кросс-секционный опрос более эффективен; (2) период исследования слишком короток для возникновения значимых изменений; (3) отслеживание участников операционно невозможно; или (4) повторные измерения могут вызвать эффекты тестирования, которые загрязняют измеряемый конструкт.
Ограничения и замечания
- Убыль участников панели угрожает внутренней валидности: участники, которые выбывают, часто систематически отличаются от тех, кто остается, что приводит к смещению отбора.
- Повторное применение одного и того же инструмента может вызвать эффекты тестирования — участники учатся или становятся более чувствительными к вопросам, что увеличивает кажущиеся изменения.
- Логистически сложно и дорого: отслеживание участников, управление контактной информацией и поддержание вовлеченности на протяжении нескольких волн требует значительных ресурсов.
- Длительные временные горизонты означают, что внешние события (исторические события, пандемии, изменения политики) между волнами становятся конфаундерами, которые трудно отделить от интересующих конструктов.
- Инвариантность измерений должна быть установлена во всех волнах до интерпретации изменений показателей; неспособность проверить это может привести к ошибочным выводам об изменениях.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Устанавливает временное предшествование — предпосылку для причинного вывода — путем фиксации порядка изменений переменных у одних и тех же участников.
- Разделяет внутриличностные изменения и межличностные различия, обеспечивая более точные оценки, чем кросс-секционные сравнения.
- Выявляет когортные, периодические и возрастные эффекты, которые становятся видимыми только при отслеживании одних и тех же индивидов во времени.
- Масштабируется до больших, национально репрезентативных выборок, позволяя делать выводы на уровне популяции о траекториях изменений.
- Совместим с широким спектром аналитических методов (GCM, CLPM, SEM), которые используют временную структуру данных.
- Более эффективен, чем набор новых когорт на каждой волне при изучении одной и той же популяции во времени.
Применение
- Отслеживание изменений в академической мотивации учащихся, самоэффективности или благополучии в течение учебных лет или программ обучения.
- Мониторинг эволюции политических взглядов, намерений голосования или гражданской активности в панелях национальных выборов.
- Изучение изменений в поведении, связанном со здоровьем — физическая активность, диета, употребление психоактивных веществ — в течение месяцев или лет в когортных исследованиях.
- Оценка долгосрочных результатов выпускников различных образовательных траекторий на рынке труда.
- Оценка устойчивых эффектов кампаний в области общественного здравоохранения или образовательных вмешательств после окончания активной программы.
- Изучение того, как организационные установки (удовлетворенность работой, приверженность) реагируют на изменения политики на рабочем месте во времени.
Как это работает
Как это работает
Исследователь определяет исследовательские вопросы, выбирает целевую популяцию, определяет количество волн измерений и временные интервалы между ними, а также конструирует или адаптирует инструмент опроса, который является последовательным во всех волнах. Размер выборки должен учитывать ожидаемую убыль участников, а процедуры информированного согласия должны с самого начала предусматривать участие в нескольких волнах.
Первая волна (Время 1) опроса проводится для набранной выборки, собирая исходные измерения всех ключевых переменных — исходов, предикторов и ковариат. Высокий уровень отклика на этой волне имеет решающее значение, поскольку ни один участник, потерянный на этапе сбора исходных данных, не может быть восстановлен в последующих анализах.
На каждой последующей волне (Время 2, Время 3 и т. д.) одни и те же участники повторно опрашиваются с использованием того же инструментария. Последовательность формулировок вопросов, форматов ответов и способа проведения опроса во всех волнах сохраняет эквивалентность измерений и позволяет отличить истинное изменение показателей от артефактов измерения.
Убыль участников панели — выбытие участников между волнами — оценивается путем сравнения участников, завершивших опрос, с не завершившими по исходным характеристикам. Если выбывшие систематически отличаются от оставшихся (селективная убыль), применяются аналитические стратегии, такие как множественная импутация, взвешивание по обратной вероятности или оценка методом максимального правдоподобия при полной информации, для снижения смещения.
Лонгитюдные данные анализируются методами, подходящими для повторных измерений: моделирование кривых роста, модели латентных изменений, перекрестно-лагированные панельные модели, обобщенные оценивающие уравнения или регрессия со смешанными эффектами. Выбранная модель зависит от того, является ли основной интерес к изменению на уровне среднего, индивидуальным траекториям или взаимным причинным связям между переменными во времени.
Частые ошибки
- Игнорирование селективной убыли: предположение, что участники, завершившие опрос, репрезентативны для исходной выборки без проверки дифференциальной убыли, приводит к смещенным оценкам изменений.
- Изменение инструмента опроса между волнами: даже незначительные изменения формулировок или модификации шкал ответов делают недействительными прямые сравнения показателей во времени.
- Недостаточная мощность исходной выборки: расчет размера выборки только для кросс-секционной мощности без увеличения на ожидаемую убыль приводит к недостаточной мощности исследования на последующих волнах.
- Рассмотрение волны как фиксированного эффекта без моделирования роста: проведение отдельных ANOVA для каждой волны вместо модели роста или смешанной модели игнорирует лонгитюдную информацию и увеличивает ошибку I рода.
- Представление только средних на уровне группы: гетерогенность индивидуальных траекторий часто является содержательно важным результатом; агрегированные тенденции могут маскировать различные подгруппы.
Часто задаваемые вопросы
Чем лонгитюдное исследование методом опроса отличается от панельного исследования?
Термины существенно пересекаются. Панельное исследование — это конкретный тип лонгитюдного опроса, в котором одни и те же индивиды опрашиваются на каждой волне. Лонгитюдное исследование методом опроса — это более широкая категория; она также включает трендовые исследования (разные случайные выборки из одной и той же популяции на каждой волне) и когортные исследования (одна и та же когорта по рождению или вступлению, но не обязательно одни и те же респонденты). Когда говорят «лонгитюдный опрос», чаще всего имеют в виду панельный дизайн, но точность важна при выборе стратегии анализа.
Сколько волн необходимо?
Минимум две волны необходимы для наблюдения изменений, но две волны поддерживают только ограниченные модели (разностные показатели, простая регрессия до-после). Три или более волн необходимы для оценки траекторий роста, проверки нелинейных изменений и применения перекрестно-лагированных панельных моделей. Оптимальное количество волн зависит от ожидаемой формы изменений и аналитической модели — большее количество волн обеспечивает большую мощность для обнаружения и характеристики траекторий.
Как обрабатывать пропущенные данные из-за выбытия участников?
Во-первых, оцените, являются ли пропущенные данные полностью случайными (MCAR), случайными (MAR) или не случайными (MNAR), сравнивая выбывших с завершившими опрос по исходным переменным. При MAR — наиболее обоснованном предположении в большинстве панельных исследований — предпочтительными подходами являются оценка методом максимального правдоподобия при полной информации (FIML) или множественная импутация. Простое исключение полных случаев почти никогда не подходит, поскольку оно отбрасывает используемые данные и приводит к смещенным оценкам, когда выбытие не является полностью случайным.
Может ли лонгитюдное исследование установить причинность?
Временная упорядоченность (необходимое условие причинности) может быть продемонстрирована, когда предиктор на Волне 1 предсказывает исход на Волне 2 после контроля исхода на Волне 1, используя перекрестно-лагированные панельные модели или регрессию разностных показателей. Однако ненаблюдаемые конфаундеры, которые остаются стабильными или изменяются между волнами, все еще могут искажать причинные оценки. Лонгитюдные исследования предоставляют более сильные доказательства, чем кросс-секционные дизайны, но остаются наблюдательными; рандомизированные эксперименты являются золотым стандартом для причинного вывода.
Как установить, что мой инструмент опроса измеряет один и тот же конструкт на каждой волне?
С помощью тестирования инвариантности измерений на основе конфирматорного факторного анализа (CFA) (Vandenberg & Lance, 2000). Как минимум, конфигуральная и метрическая инвариантность должны быть установлены до сравнения латентных средних; скалярная инвариантность требуется для сравнения наблюдаемых средних. Если обнаружена частичная инвариантность, ограничьте только инвариантные параметры и интерпретируйте изменения по неинвариантным пунктам с осторожностью.
Похожие методы
Источники
Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.
ISBN: 978-0761922452Скопировано.Lynn, P. (Ed.). (2009). Methodology of Longitudinal Surveys. Wiley.
ISBN: 978-0470018712Скопировано.