纵向调查研究——重复测量调查设计
- 提出者
- Survey methodology tradition; codified in social sciences by scholars including W.S. Robinson (1950) and later Scott Menard
- 年份
- Mid-20th century (formalized ~1950s–1970s)
- 类型
- Quantitative 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?
纵向调查研究在两个或多个时间点从同一批个体(或单位)收集结构化问卷数据。与一次性的横断面调查不同,这种设计能够捕捉变量的变化、稳定性以及时间顺序——使研究人员能够在定量框架内追踪轨迹、检验因果序列,并区分群体效应与老化效应。
方法背后的直觉
想象一下,您想知道一项新的学校课程是否真的能在一年内提高学生对数学的态度——而不仅仅是某一时刻的态度是什么样的。纵向调查在学年初、年中和学年末跟踪同一批学生,每次都提出相同或相似的问题。由于是同一个人反复作答,您可以直接比较每个个体的变化,而不是从不同时间的不同人群中推断。时间结构赋予了这种设计分析能力:您可以观察变化的序列,而不是快照。
历史学
重复进行的调查使用在二十世纪中叶出现在社会科学领域。W.S. Robinson 1950年关于生态和个体相关性的论文引起了人们对横断面数据在个体层面推断方面的局限性的关注,从而推动了面板设计。大规模纵向调查项目——包括美国的收入动态小组研究(PSID,1968年启动)和全国纵向调查(NLS)——证明了追踪同一批受访者数十年在操作上的可行性和科学价值。Scott Menard的手册(1991年,第二版2002年)和Peter Lynn编辑的关于纵向调查方法学的卷册(2009年)规范了样本设计、流失管理和分析的最佳实践。
何时使用
当核心问题涉及随时间的变化、变量的时间顺序或个体/单位内结果的发展——这些横断面调查无法回答的问题时,使用纵向调查研究。它非常适合研究态度变化、发展轨迹、职业道路、健康行为和政策效应,当实验操纵既不可行也不道德时。该设计需要一个稳定、可追踪的样本;充足的资金和机构能力来进行多波次数据收集;以及管理流失的意愿。请勿在以下情况使用:(1) 只需要一个时间点的患病率估计——横断面调查更有效;(2) 研究周期太短,不足以发生有意义的变化;(3) 参与者追踪在操作上不可能;或 (4) 重复测量可能产生测试效应,污染所测量的构念。
局限与注意事项
- 面板流失威胁内部效度:退出的参与者往往与留下的参与者存在系统性差异,引入选择偏差。
- 重复施测同一工具可能产生测试效应——参与者学习或对问题变得敏感,夸大表观变化。
- 后勤要求高且成本昂贵:追踪参与者、管理联系信息以及在各波次间保持参与度需要大量资源。
- 较长的时间跨度意味着波次间的外部事件(历史事件、流行病、政策变动)成为难以与研究构念区分的混淆因素。
- 在解释变化得分之前,必须在各波次间建立测量不变性;未能检验测量不变性可能导致关于变化的错误结论。
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
- 建立时间优先性——因果推断的先决条件——通过捕捉同一批参与者变量变化的顺序。
- 将个体内部变化与个体之间差异分开,提供比横断面比较更精确的估计。
- 检测仅在追踪同一批个体随时间推移时才可见的群体、时期和年龄效应。
- 可扩展至大型、具有全国代表性的样本,能够对变化轨迹进行人口层面推断。
- 与多种分析技术(GCM、CLPM、SEM)兼容,这些技术利用数据的时序结构。
- 在研究同一人群随时间推移时,比在每个波次招募新群体更有效。
应用
- 追踪学生在学年或学位课程中的学业动机、自我效能感或幸福感的变化。
- 在全国性选举小组中监测政治态度、投票意向或公民参与度的演变。
- 在队列研究中研究数月或数年内健康行为的变化——体育活动、饮食、物质使用。
- 评估不同教育路径毕业生的长期劳动力市场结果。
- 评估公共卫生宣传或教育干预措施在活动结束后是否具有持续效应。
- 考察组织态度(工作满意度、承诺度)如何随时间对工作场所政策变化做出反应。
使用方式
使用方式
研究者定义研究问题,选择目标人群,确定测量波次数量及波次间的时间间隔,并构建或改编一套在各波次间保持一致的调查工具。样本量必须考虑预期的流失率,知情同意程序应从一开始就明确多波次参与。
第一波(时间点1)调查被施加于招募到的样本,收集所有关键变量——结果变量、预测变量和协变量——的基线测量值。此波次的响应率至关重要,因为基线时失去的任何参与者都无法在后续分析中恢复。
在每个后续波次(时间点2、时间点3……),同一批参与者被重新联系并再次接受调查工具的施测。保持问题措辞、回答格式和施测方式在各波次间的一致性,能够维持测量等价性,并区分真实的得分变化与测量伪影。
面板流失——参与者在波次间的退出——通过比较完成波次者与未完成波次者在基线特征上的差异来评估。如果退出者与继续者之间存在系统性差异(选择性流失),则采用多重插补、逆概率加权或全信息最大似然估计等分析策略来减少偏差。
纵向数据采用适合重复测量的分析方法进行分析:增长曲线模型、潜变分模型、交叉滞后面板模型、广义估计方程或混合效应回归。所选模型取决于主要兴趣在于平均水平的变化、个体轨迹,还是变量随时间推移的相互因果关系。
常见陷阱
- 忽略选择性流失:在未检验差异性退出时,假设完成波次者代表原始样本,会产生偏差的变化估计。
- 在波次间更改调查工具:即使是细微的措辞修改或量表修改也会使跨时间得分的直接比较无效。
- 基线样本量不足:仅为横断面研究的效力计算样本量,而未考虑预期的流失率,会导致后续波次研究效力不足。
- 将波次视为固定效应而不对增长进行建模:在每个波次运行单独的方差分析,而不是增长曲线或混合模型,会丢弃纵向信息并夸大第一类错误。
- 仅报告群体平均值:个体轨迹的异质性往往是实质上重要的发现;总体趋势可能掩盖了不同的亚群体。
常见问题
纵向调查研究与面板研究有何不同?
这两个术语在很大程度上是重叠的。面板研究是纵向调查的一种特定类型,其中在每个波次调查完全相同的个体。纵向调查研究是更广泛的类别;它还包括趋势研究(每个波次从同一人群中抽取不同的随机样本)和队列研究(相同的出生或进入队列,但不一定是完全相同的受访者)。当人们说“纵向调查”时,他们最常指的是面板设计,但在选择分析策略时,精确性很重要。
需要多少个波次?
至少需要两个波次来观察变化,但两个波次仅支持有限的模型(差分得分、简单的前后回归)。需要三个或更多波次来估计增长轨迹、检验非线性变化以及应用交叉滞后面板模型。最优波次数量取决于预期的变化形态和分析模型——更多的波次能提供更大的能力来检测和描述轨迹。
如何处理来自退出的参与者的缺失数据?
首先,通过比较退出者与完成者在基线变量上的差异,评估流失是完全随机缺失(MCAR)、随机缺失(MAR)还是非随机缺失(MNAR)。在MAR——大多数面板研究中最有说服力的假设——下,全信息最大似然(FIML)估计或多重插补是首选方法。简单的列表删除几乎从不适用,因为它会丢弃可用数据,并在退出不是完全随机时产生偏差估计。
纵向调查能否建立因果关系?
当预测变量在时间点1预测时间点2的结果,并且在控制了时间点1的结果后,可以使用交叉滞后面板模型或差分得分回归来证明时间顺序(因果关系的一个必要条件)。然而,在波次间保持稳定或发生变化的未测量混淆因素仍然可能扭曲因果估计。纵向调查比横断面设计提供更强的证据,但仍然是观察性的;随机实验是因果推断的黄金标准。
如何证明我的调查工具在每个波次测量的是相同的构念?
通过基于验证性因子分析(CFA)的测量不变性检验(Vandenberg & Lance, 2000)。至少,在比较潜变量均值之前应建立构念和度量不变性;比较观测均值需要标度不变性。如果发现部分不变性,则仅约束不变的参数,并谨慎解释非不变项目上的变化。
相关方法
参考文献
Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.
ISBN:978-0761922452已复制。Lynn, P. (Ed.). (2009). Methodology of Longitudinal Surveys. Wiley.
ISBN:978-0470018712已复制。