纵向研究 — 纵向研究设计
- 提出者
- No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
- 年份
- Late 19th–early 20th century; methodologically codified through the 20th century
- 类型
- Quantitative (or mixed) observational research design
- 类别
- Survey / observational design
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
纵向研究是一种观察性设计,在较长时期内对同一批参与者、群体或单位进行重复测量。它不捕捉单一的快照,而是追踪变量的变化、稳定性以及时间顺序——使其成为研究发展、增长、衰退和因果过程随时间展开的主要非实验性策略。
方法背后的直觉
将纵向研究想象成在多个检查点跟踪同一些人(或组织、或学校),而不是一次性拍摄许多不同的人。通过回到相同的单位,研究者可以看到谁发生了变化,变化了多少,变化的方向,以及早期测量是否能预测后来的结果。这种时间追踪是纵向设计与横断面设计的主要区别:不是从一次测量中不同群体之间的差异来推断变化,而是在多次测量中直接观察同一单位内部的变化。
历史学
纵向方法在19世纪末通过追踪儿童身体发育的生长研究以及在流行病学中追踪疾病发病率的队列研究中出现。20世纪主要的纵向数据集——包括伯克利生长研究(1928年)、英国队列研究(1958年、1970年)和弗雷明汉心脏研究(1948年)——塑造了该方法论的发展。纵向数据分析的统计框架在20世纪80年代和90年代通过Judith Singer、John Willett和Michael Raudenbush等研究者的工作得到了实质性发展,最终形成了被广泛采用的多层次和增长曲线建模的教科书和软件。
何时使用
当核心问题涉及随时间的变化或发展时,应使用纵向研究——例如,学业成绩如何从小学发展到中学,医疗事件后健康轨迹如何展开,或者一个时间点测量的态度是否能预测稍后测量的行为。当横断面数据无法区分年龄效应和队列效应,并且个体内部变化在理论上具有意义时,这是适用的设计。当现象本质上是静态的,随访期超过可用资源,或者目标人群的失访率高到保留的样本变得不具代表性时,则不应使用纵向研究。当单一快照足以回答研究问题时,横断面设计更有效。
局限与注意事项
- 跨轮次的失访(退出)如果离开研究的人与留下的人系统性不同,则会威胁内部效度。
- 长期的随访期资源密集——资金、人员和参与者保留都会随时间累积。
- 对同一批参与者进行重复测量可能会产生测试效应:熟悉工具、对主题的敏感化或测试中的练习效应。
- 无法像随机实验那样控制未测量的时变混淆因素;因果声明仍然是概率性的。
- 轮次之间发生的历史变化(时期效应)可能会混淆观察到的趋势,并且难以与个体内部发展区分开来。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 直接观察个体或单位内部的变化,而不是从横断面年龄比较中推断。
- 建立变量的时间顺序,提供比单轮设计更强的(尽管不具结论性)因果方向证据。
- 允许在跟踪多个队列时区分年龄效应、队列效应和时期效应。
- 能够估计个体增长轨迹并识别具有不同发展模式的亚组。
- 累积的纵向数据集(例如,出生队列研究)可以几十年地解决多个研究问题。
应用
- 追踪从童年到青春期的认知发展、学业成就和社会情感成长。
- 跟踪手术、诊断或治疗后的患者队列,以绘制恢复轨迹并识别复发预测因子。
- 跨越经济周期监测组织或劳动力成果——员工敬业度、离职意向、生产力。
- 研究教育、公共卫生或劳动力市场中政策干预的长期影响,而无需随机分配。
- 在发展心理学和社会心理学中,研究人格、态度和价值观如何随生命阶段变化。
- 在流行病学出生队列或职业队列研究中,模拟疾病发病率和风险因素积累。
使用方式
使用方式
研究者根据随时间变化或稳定性来定义研究问题,并决定纵向框架:面板设计(每轮测量相同的个体)、队列设计(跟踪具有共同经历的群体)或趋势设计(每轮独立抽样同一群体)。时间框架、测量轮数以及轮次间隔的规划,旨在匹配研究现象变化预期速度。
招募代表目标人群且规模足够大的参与者或单位样本,以在预期脱落(失访)后仍保持分析的充分性。必须明确规定招募标准,以便在各轮测量中能够跟踪和重新联系初始样本。在面板和队列设计中,在各轮测量中保持联系信息和参与者参与度是项目开始时一个关键的后勤问题。
在每个预定的测量轮次中,使用一致的工具和程序从相同的单位收集数据。工具在各轮测量中应保持不变,以确保测量等价性;任何必要的更新都必须评估其可比性。常见的数据来源包括调查问卷、标准化测试、行政记录以及生物学或行为评估。每轮数据收集本身就是一个完整的测量事件,需要抽样、实地工作和质量控制。
纵向数据需要细致的数据管理:使用唯一的参与者标识符跨轮次链接记录,处理因失访或跳题模式造成的缺失数据,并记录工具或管理条件的变化。缺失数据通过分析解决——全信息最大似然估计(FIML)和多重插补(MI)优于列表删除法,因为失访很少是完全随机缺失(MCAR)。
使用与数据结构和研究问题相匹配的分析方法来检查随时间的变化。常见策略包括增长曲线模型(通过多层次或潜在增长曲线模型分析个体轨迹)、固定效应和随机效应面板回归、用于互惠因果关系的交叉滞后面板模型,以及用于时间到事件结果的生存或事件史分析。在推断性建模之前,会进行轮次之间变化的描述性总结。
研究结果根据变化的性质、速率和预测因子进行解释——并明确限定于设计的局限性(观察性,非实验性;可能的选择效应)。在不同轮次测量的变量的时间顺序,比横断面数据提供了更强的因果方向证据,但必须承认未测量到的时变协变量可能造成的混淆。
常见陷阱
- 忽视失访偏差——报告完整案例结果而不检验退出者与完成者在关键基线变量上是否存在差异,或不使用原则性的缺失数据方法(FIML、MI),会增加估计偏差的风险。
- 跨轮次的测量非等价性——如果工具措辞、反应量表或管理条件在轮次之间发生变化,分数表观变化可能反映的是测量漂移而非真实变化;应测试构念和度量不变性。
- 轮次太少无法进行复杂变化模型——只有两轮的增长曲线模型会约束模型为直线,并且无法检测非线性轨迹;当二次或曲线变化是可能时,应计划至少三轮。
- 混淆设计子类型——面板、队列和趋势设计具有不同的抽样结构并回答不同的问题;将它们互换使用会导致分析错误和不恰当的概括。
- 低估随访间隔效应——间隔太短可能无法捕捉有意义的变化;间隔太长可能错过重要的中间变化或峰值效应。
常见问题
纵向研究与面板研究和队列研究有何不同?
这三者都是纵向的,但它们在抽样结构上有所不同。面板研究在每一轮测量中跟踪相同的个体,旨在测量个体层面的变化。队列研究跟踪具有定义特征或经历(例如,同年出生,同期诊断)的人群,并侧重于群体层面的轨迹。趋势研究在每一轮中对同一人群的独立样本进行调查,描述人群层面的变化而不跟踪个体。选择哪种取决于个体内部变化、群体轨迹或人群趋势是否是主要目标。
我需要多少次测量轮次?
最少需要两轮来建立变化,但两轮只能得到差异分数,无法模拟变化的形状。三轮是增长曲线建模的实际最低要求,因为它们允许估计二次轨迹。更多的轮次可以提高个体轨迹估计的精度,并能检测更复杂的变化模式。轮次的规划应与理论上有意义的间隔对齐,并考虑到预期的变化速度。
我应该如何处理因退出造成的缺失数据?
首先,检验退出者与完成者在关键基线变量上是否存在差异(失访分析)。然后,使用原则性的缺失数据方法,而不是列表删除法:在最大似然估计下使用全信息最大似然估计(FIML),或在分析前使用多重插补(MI)。两者都假设数据在观察变量的条件下是随机缺失(MAR)。如果怀疑缺失取决于未观察到的结果本身(非随机缺失,MNAR),则需要使用模式混合模型或选择模型进行敏感性分析。
纵向设计能证明因果关系吗?
时间顺序——在结果之前测量预测因子——是因果关系的一个必要条件,纵向设计比横断面设计更能直接地建立它。然而,观察性纵向设计无法排除未测量变量的混淆,因此它们不能证明因果关系。诸如交叉滞后面板模型、固定效应回归和工具变量方法等技术可以加强因果推断,但每种方法都有其自身的假设。随机实验仍然是因果声明的黄金标准。
重复测量中测试效应的风险是什么?
当参与者反复完成相同或相似的工具时,他们对项目格式的熟悉程度、对研究主题的敏感化或在认知测试中的练习,可能会独立于真实变化而夸大或缩小分数。短期轮次间隔和基于表现的测量会增加风险。缓解策略包括使用工具的平行形式、纳入对照组以及在试点研究中评估重测信度。
相关方法
参考文献
Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.
ISBN:978-0761922841已复制。Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.
ISBN:978-0195152968已复制。