Estudios longitudinales: modelos de diseño y análisis

• Autores: Jaume Arnau Gras, Roser Bono Cabré
• Localización: Escritos de psicología, ISSN-e 1989-3809, ISSN 1138-2635, Vol. 2, Nº 1, 2008, págs. 32-41
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 20 Citas
• Resumen
  • español

    Los modelos que tradicionalmente se han utilizado en el análisis de datos de medidas repetidas son de carácter lineal y siguen el enfoque basado en el análisis de la variancia. Su principal desventaja es que debe disponerse de datos balanceados lo que, en contextos aplicados, es difícil de conseguir. Por esto, se han desarrollado modelos alternativos como el estudio de curvas de crecimiento, del que se han derivado gran cantidad de métodos. Todos estos métodos, además de modelar la variancia entre e intra individuos, no requieren datos balanceados. En la actualidad, se aplican los modelos lineales mixtos como una alternativa global de análisis.

    Los modelos mixtos estiman tanto los valores esperados de las observaciones (efectos fijos) como las variancias y covariancias de las observaciones (efectos aleatorios). Lo que distingue, por tanto, al modelo lineal mixto del modelo lineal general, es el cálculo de los parámetros de covariancia que permiten analizar datos de carácter longitudinal (correlacionados, incompletos y con intervalos entre observaciones no constantes).

  • English

    The models that traditionally have been used to analyse repeated measure data are linear and follow an approach based on analysis of variance.

    Their main drawback is that they require balanced data, something that is difficult to achieve in applied contexts. Therefore, alternative models such as the study of growth curves have been developed, which in turn have been used to derive a large number of methods.

    These methods model both between- and within- individual variation and do not require balanced data. Today, linear mixed models are applied as a general analytical alternative. Mixed models estimate both the expected values of observations (fixed effects) and the variances and covariances of the observations (random effects). So what distinguishes the linear mixed model from the general linear model is the calculation of covariance parameters which allow the analysis of longitudinal data (correlated, incomplete, and with non-constant intervals between observations).