De acuerdo al artículo, los modelos tradicionales siempre se han utilizado en el análisis

de datos de una investigación teniendo como principal característica la observación de la misma

variable dependiente. Estos diseños son los más populares en la investigación conductual que

nace en la década de los ochenta. Fue utilizado primeramente en la investigación agrícola con

el plan de trabajo Split pot y posteriormente fue introducido en ciencias de la conducta. Se analiza

que en la década de los 80 ya había un amplio uso de los estudios longitudinales tanto en las

ciencias sociales como en la psicología en un estudio reciente de psicología se concluye que los

estudios longitudinales han crecido a través del tiempo.

Dentro del contexto del diseño de medidas repetidas, las concepciones de los estudios

longitudinales son diferentes, tanto así que, diversos autores han opinado acerca de este estudio

aplicado a menudo en las investigaciones sociales. Los términos tales como estudio longitudinal

suele ser sinónimo de diseño de medidas, de panel, de cohortes entre otros. La principal dificultad

del análisis de datos de diseños de medida es fundamentalmente dos:

1. El análisis suele ser más complejo

2. El investigador no puede controlar las circunstancias bajo las que obtiene las medidas

repetidas de modo que a veces los datos no son balanceados o incompletos.

Un estudio longitudinal por ejemplo, el investigar las características de un proceso de

cambio, aquellos que recogen datos sobre un grupo de sujetos, siempre los mismos en la

muestra, en distintos momentos a lo largo del tiempo. Con los diseños transversales repetidos,
solo se puede realizar a nivel agregado en las diferentes muestras o sub-muestras, ante esta

situación los estudios no pueden desarrollarse en casos individuales y no pueden ser llamados

longitudinales. Pues como se ha indicado anteriormente, los diseños longitudinales se han

utilizado en gran medida en las ciencias sociales y en el comportamiento humano, en el que se

estudian los procesos de cambio a través del tiempo. El objetivo fundamental del estudio

longitudinal es conocer no solo los cambios o perfiles individuales, sino determinar si el cambio

es significativo y si se dan las diferencias entre los distintos sujetos de la muestra.

Para la obtención de los datos longitudinales se pueden seguir diversos procedimientos.

Los procedimientos de análisis de los efectos de estos diseños difieren en cómo se modela la

estructura de la variación de los datos. Desde lo más simple hasta lo más complejo cuyas
estrategias pueden ser: Un análisis por separado de cada punto o intervalo de tiempo; análisis

univariante y multivariante de las variables de contraste temporal y los métodos basados en los

modelos mixtos.

Es este sentido, todo modelo de análisis que intenta dar cuenta de lo que realmente

interesa en el contexto longitudinal debe afrontar la posible correlación entre las medidas

repetidas de los individuos. El modelo exacto de la estructura de covariancia es una importante

consideración para los investigadores aplicados ya que esto produce un incremento en la

potencia de la estadística para detectar los efectos de los tratamientos.

Los modelos que se han aplicado en los datos son de carácter lineal ya que siguen

distintos enfoques entre ellos el más conocido es el ANOVA y el MANOVA, para ellos se necesita

que los datos vayan completos y balanceados. El ANOVA es el más tradicional en el ámbito de

la psicología social puesto que se ha utilizado para hacer comparaciones entre intervalos de

tiempo tanto en diseños simples como en diseños multimuestra. La principal ventaja es su

simplicidad técnica, aunque tenga sus limitaciones particularmente con estudios longitudinales

aplicados que no siempre cuentan con datos completos e intervalos de tiempo constantes.

Los enfoques surgieron como procedimiento de análisis de datos de medidas repetidas

que pueden ser consideradas multivariadas y se analizan como tales. El ANOVA es univariado y

el MANOVA es multivariado, por la tanto como ya se dijo anteriormente el ANOVA es mucho más

potente en el análisis de datos que el MANOVA.

Un procedimiento paralelo al MANOVA es el análisis de perfiles que sirve para probar, además

de la diferencia de grupos, hipótesis de la diferencia entre dos o más vectores de medidas de

datos multivariados.

Estos dos modelos suelen centrarse en la parte entresujetos o entregrupos del análisis.

Un supuesto básico del MANOVA es que las observaciones son consideradas como si fueran

múltiples variables dependientes o respuestas interrelacionadas de un mismo sujeto, además

enfatizan en la parte fija del modelo. Los supuestos son: las respuestas de los sujetos son

independientes entre sí; la distribución de las múltiples variables dependientes es normal

multivariada; y el conjunto de datos ha de ser completo sin observaciones perdidas. La gran

desventaja del modelo MANOVA es la falta de potencia cuando es comparado con el ANOVA,
más aún cuando se cumplen las condiciones en la matriz de covariancia, el ANOVA convencional

es el más potente que la prueba multivariada.

El análisis de la curva de crecimiento consiste en comparar los vectores de medidas

multivariadas con estructuras de corrección no especificadas. La técnica de análisis de curva de

crecimiento, aplicada a datos longitudinales, fue propuesta por Elston y Grizzle (1962) y

generalizada más tarde por Potthoff y Roy (1964), recibió el nombre de modelo MANOVA

generalizado (GMANOVA). Un trabajo posterior de Laird y Ware (1982) popularizó este enfoque.

El GMANOVA es una reformulación del procedimiento multivariado y ha servido de pauta para la

mayor parte de los modelos de datos longitudinales, consiste en ajustar funciones polinómicas

de carácter temporal para describir los perfiles individuales mediante coeficientes aleatorios y

para generar la estructura de correlación entre las observaciones repetidas de cada individuo.

En el transcurso de este análisis del artículo se ha insistido que los estudios longitudinales suelen

tener datos no balanceados e incompletos, por cuya razón surgió la necesidad de plantear
modelos alternativos. El modelo ANOVA como el MANOVA presentan serias limitaciones ya que

requieren que sean balanceados y completos por medida, por eso a lo largo de los años ochenta

se han desarrollado modelos más generales para el análisis de datos longitudinales incompletos.

A diferencia de los modelos ANOVA (univariado y multivariado), el modelo multinivel para

medidas repetidas no enfatiza el factor entre sujetos, dado que constituye una forma particular de

analizar los datos longitudinales. El modelo multinivel tiene por objeto modelar las curvas de

crecimiento individual y analizar, a continuación, las diferencias interindividuales en los

parámetros que describen los patrones de crecimiento. El aspecto fundamental del estudio

longitudinal es identificar el proceso real subyacente, de carácter continuo, en lugar de los

simples cambios discretos entre los intervalos de tiempo.

Por último, un análisis comprensivo de datos longitudinales requiere tener en cuenta un

conjunto de aspectos. Entre estos aspectos está la variación intrasujetos y entresujetos, la no

proporcionalidad de los estudios, la pérdida de datos y el desgaste de muestra (Gill, 2000). No

obstante, cabe destacar, entre una de sus principales ventajas, que la especificación de la

correcta estructura de covariancia produce pruebas más potentes de los parámetros fijos

(Wolfinger, 1996).
Arnau, J., & Bono, R. (2008). Estudios longitudinales: modelo de diseño y análisis (p. 32- 41).
Barcelona. Retrieved from. Disponible en http://scielo.isciii.es/pdf/ep/v2n1/original3.pdf