Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
3Centro Max Planck de Psiquiatría Computacional e Investigación del Envejecimiento de la UCL, Berlín
(Alemania) y Londres (Reino Unido)
Autor Manuscrito
Abstracto
A medida que avanza la edad, los adultos sanos suelen presentar una disminución del rendimiento en muchas
capacidades cognitivas diferentes, como la memoria, la velocidad de procesamiento, la capacidad espacial y el
razonamiento abstracto. Sin embargo, existen marcadas diferencias individuales en las tasas de deterioro
cognitivo: algunos adultos declinan abruptamente y otros mantienen altos niveles de funcionamiento. Para
avanzar hacia una comprensión integral del envejecimiento cognitivo, es fundamental saber si las diferencias
individuales en los cambios longitudinales se interrelacionan entre las diferentes capacidades cognitivas.
Identificamos 89 tamaños de efecto que representan la varianza compartida en el cambio cognitivo longitudinal
a partir de 22 conjuntos de datos únicos compuestos por más de 30.000 individuos únicos, que metaanalizamos
utilizando una serie de modelos de metarregresión multinivel. Los resultados indican que un promedio del 60%
de la variación en la capacidad cognitiva cambiosse comparte entre las capacidades cognitivas. La variación
Autor Manuscrito
compartida en los cambios aumentó con la edad, desde aproximadamente el 45% a los 35 años hasta
aproximadamente el 70% a los 85 años. Hubo una correspondencia de moderada a fuerte (r = 0,49, coeficiente
de congruencia = 0,98) entre el grado en que una variable indicaba inteligencia general y el grado en que el
cambio en esa variable indicaba un factor general de cambio relacionado con el envejecimiento. La variación
compartida en los cambios no difirió sustancialmente entre las clasificaciones de dominios de capacidad
cognitiva. En un análisis de sensibilidad basado en estudios que controlaron cuidadosamente la demencia, la
variación compartida en los cambios cognitivos longitudinales se mantuvo en más del 60%, y los aumentos
relacionados con la edad en la variación compartida en el cambio cognitivo continuaron siendo evidentes.
Palabras clave
Autor Manuscrito
Envejecimiento Cognitivo; Modelado de Curvas de Crecimiento; Modelado de puntuación de diferencia latente; Análisis factorial
envejecimiento?
(Salthouse, 1994)
Dirigir correspondencias a:Elliot M. Tucker-Drob, Departamento de Psicología, Universidad de Texas en Austin, 108 E. Dean Keeton Stop
A8000, Austin, TX 78712-1043. tuckerdrob@utexas.edu . Teléfono: 512-471-1406 .
Tucker-Drob et al. Página 2
A medida que avanza la edad, los adultos suelen presentar un rendimiento decreciente en muchos dominios
Autor Manuscrito
diferentes del rendimiento cognitivo. Aunque a veces se supone que el envejecimiento cognitivo es un fenómeno
confinado a la edad adulta tardía y que sólo afecta a un pequeño subconjunto de individuos enfermos, ahora hay
pruebas sólidas de que los deterioros cognitivos relacionados con el envejecimiento comienzan a surgir al
menos ya en la edad adulta media, ocurren con bastante frecuencia. continuamente con el paso del tiempo,
afectan a individuos sin patologías diagnosticadas y ocurren a lo largo de toda la distribución de la salud
psicológica y física (Salthouse, 2004a; Salthouse 2009). Las disminuciones normativas relacionadas con el
envejecimiento son grandes. Los estudios transversales estiman correlaciones entre la edad adulta y el
aproximadamente r = −. 40 y r = −0,60 (Salthouse, 2004b). Los estudios longitudinales indican una disminución
menor en la edad adulta temprana y son más consistentes con las estimaciones transversales para la edad
adulta tardía (Schaie, 1994). Cuando se tienen en cuenta los efectos de la práctica asociados con evaluaciones
repetidas de individuos seguidos a lo largo del tiempo, el desgaste selectivo y los efectos de cohorte, la brecha
aparente entre las estimaciones longitudinales y transversales de las disminuciones relacionadas con el
Autor Manuscrito
envejecimiento se reduce sustancialmente (Lindenberger et al., 2002; Lövdén et al. ., 2004; McArdle et al., 2002;
Rönnlund et al, 2005; Salthouse, 2015).
Para una explicación completa del envejecimiento cognitivo es crucial su dimensionalidad, es decir, la estructura y
magnitud de las correlaciones entre los cambios en las capacidades cognitivas (Lindenberger, von Oertzen, Ghisletta y
Hertzog, 2011; Rabbitt, 1993). Mientras que los enfoques de investigación que surgen de las tradiciones cognitivo-
experimentales a menudo buscan descubrir mecanismos psicológicos específicos para las disminuciones relacionadas con
el envejecimiento en las tareas cognitivas individuales, los enfoques que surgen de la psicología diferencial han tomado
en serio la hipótesis de que los cambios inducidos por el envejecimiento en los factores psicológicos generales, o incluso
en un solo individuo. factor psicológico, puede explicar en gran medida las disminuciones relacionadas con el
envejecimiento en muchas capacidades cognitivas diferentes (Salthouse, 1991). Semejantefactor comúnLas hipótesis del
envejecimiento cognitivo han sido populares durante varias décadas. Por ejemplo, según Salthouse (1988), la hipótesis de
Autor Manuscrito
que “una reducción relacionada con la edad en algún tipo de recurso de procesamiento de propósito general contribuye a
un deterioro del rendimiento cognitivo parece ser la única explicación con suficiente generalidad para explicar las
diferencias de edad observadas entre los distintos países”. una variedad de tareas cognitivas” (p. 238). Verhaeghen y
Salthouse (1997) concluyeron que “las influencias relacionadas con la edad en una amplia gama de variables cognitivas
son compartidas” y que “los cambios en el sistema cognitivo relacionados con la edad están asociados con una
disminución en algún mecanismo general y fundamental”. Salthouse (2016) comentó más recientemente que, “si la
contribución de las influencias generales es al menos moderada, Las explicaciones de las relaciones de edad específicas
de un dominio deberán complementarse con explicaciones de las relaciones de edad generales para explicar plenamente
los fenómenos del envejecimiento cognitivo”. De manera relacionada, Birren (1964), Craik (1983) y Welford (1965) han
argumentado que los recursos psicológicos sensibles al envejecimiento pueden limitar el desempeño en una gran
Es importante destacar que la cuestión de “cuántas causas existen” del envejecimiento cognitivo
(Salthouse, 1994) puede abordarse en múltiples niveles de análisis, incluidos el psicológico, el social y el
biológico. La cuestión clave que ha sido tema de muchas investigaciones y que es el foco del metanálisis
actual es la dimensionalidad del envejecimiento cognitivo en el nivel de análisis psicológico. Como ha
aclarado Tucker-Drob (2011a), una única causa psicológica general podría “ser el resultado de múltiples
mecanismos biológicos independientes, cada uno de los cuales afecta ampliamente a la cognición”. De
manera relacionada, Deary, Cox y Ritchie (2016, p. 198) han propuesto una
modelo de múltiples elementos “formativos… biológicos que dan lugar a una dimensión
psicológica reflexiva y psicométrica general”, y Lindenberger et al. (2006) planteó la
Autor Manuscrito
Históricamente, los enfoques para evaluar los efectos compartidos relacionados con el envejecimiento en múltiples
dominios cognitivos se han basado en enfoques de mediación transversal. Por ejemplo, los primeros trabajos probaron
hasta qué punto las diferencias transversales de edad en las capacidades cognitivas, como el razonamiento, la capacidad
visuoespacial y la memoria episódica, estaban mediadas por supuestos "recursos de procesamiento", como la velocidad
de procesamiento de la información (Lindenberger, Mayr y Kliegl, 1993; Salthouse, 1996) y la capacidad de la memoria de
trabajo (Salthouse, 1990). Trabajos más recientes de este tipo (por ejemplo, Salthouse, 2004b) han puesto a prueba hasta
qué punto las diferencias transversales de edad en una gama de capacidades cognitivas están mediadas por un factor
común de inteligencia general de orden superior. Tal sección transversalinfluencia compartidaLos enfoques (Tucker-Drob
y Salthouse, 2011) generalmente han indicado que proporciones sustanciales de los efectos relacionados con la edad en
Autor Manuscrito
diferentes capacidades cognitivas están mediados por un factor de inteligencia general, aunque generalmente persisten
Como han señalado varios académicos, los enfoques de mediación transversal reflejan, en gran medida, patrones de diferencias de edad media entre dominios, pero no
pueden probar directamente si las diferencias individuales en las tasas de cambio cognitivo se comparten entre dominios (Hofer y Sliwinski). , 2001; Horn, 1970; Kalveram,
1965; Lindenberger & Pötter, 1998). Cuando el objetivo es comprobar la mediación de las diferencias en las capacidades cognitivas relacionadas con el envejecimiento, ya sea
mediante un recurso de procesamiento (por ejemplo, la velocidad de procesamiento) o mediante un factor general, los enfoques transversales son bastante limitados. Como lo
expresaron Lindenberger y Pötter (1998), la mediación transversal “no ofrece una prueba del supuesto básico de la mediación. Lo único que hace es decirnos cómo sería el
mundo si esa suposición fuera cierta” (p. 227). Hofer, Flaherty, y Hoffman (2006) escribieron de manera similar que “los altos niveles de asociación entre procesos dependientes
del tiempo pueden resultar simplemente de diferencias de edad promedio de la población y no necesariamente de asociaciones entre 'tasas de envejecimiento' individuales” (p.
165), y Maxwell y Cole ( 2007) se refirió a los enfoques de mediación transversal como “a menudo muy engañosos” (p. 23). Más recientemente, Lindenberger y cols. (2011)
Autor Manuscrito
demostraron formalmente que los altos niveles de “varianza explicada relacionada con la edad” obtenidos utilizando enfoques de mediación transversal pueden surgir de
tendencias de edad promedio similares, de correlaciones dentro del tiempo (pero no longitudinales). y Maxwell y Cole (2007) se refirieron a los enfoques de mediación
transversal como “a menudo muy engañosos” (p. 23). Más recientemente, Lindenberger y cols. (2011) demostraron formalmente que los altos niveles de “varianza explicada
relacionada con la edad” obtenidos utilizando enfoques de mediación transversal pueden surgir de tendencias de edad promedio similares, de correlaciones dentro del tiempo
(pero no longitudinales). y Maxwell y Cole (2007) se refirieron a los enfoques de mediación transversal como “a menudo muy engañosos” (p. 23). Más recientemente,
Lindenberger y cols. (2011) demostraron formalmente que los altos niveles de “varianza explicada relacionada con la edad” obtenidos utilizando enfoques de mediación
transversal pueden surgir de tendencias de edad promedio similares, de correlaciones dentro del tiempo (pero no longitudinales).
vínculo entre los enfoques de mediación transversal y las codependencias del desarrollo a lo largo del tiempo
sobre las que los investigadores buscan hacer inferencias como “frágil y volátil” (p. 40). De hecho, se han
informado ejemplos de fuerte superposición transversal pero asociaciones mucho más débiles entre cambios
longitudinales para las asociaciones entre habilidades cognitivas y funciones sensoriales (por ejemplo, Anstey,
Hofer y Luszcz, 2003; Lindenberger y Ghisletta, 2009), y habilidades cognitivas y funciones físicas (Ritchie,
Tucker-Drob, Starr y Deary, 2016). Tenga en cuenta que también parece ocurrir lo contrario: las habilidades que
muestran cambios correlacionados cuando se analizan longitudinalmente (p. ej., Ghisletta et al., 2012). Por lo
tanto, las debilidades de los datos transversales para indexar las interrelaciones entre asociaciones de
desarrollo basadas en el tiempo no son sólo una posibilidad lógica, sino –al menos en algunas circunstancias
Para evaluar con precisión la dimensionalidad del envejecimiento cognitivo son fundamentales los enfoques
longitudinales que indexan los cambios intrapersonales en múltiples capacidades cognitivas a lo largo del
tiempo. Estos enfoques se pueden utilizar para probar si las diferencias individuales en las tasas de cambios
las teorías de factores comunes del envejecimiento cognitivo. Dado que las diferencias individuales en las
capacidades cognitivas son moderadamente estables desde la niñez media en adelante (p. ej., Deary, 2014;
Humphreys & Davey, 1988; Tucker-Drob & Briley, 2014), las diferencias individuales correlacionadas en los
niveles estáticos de diferentes habilidades cognitivas en la edad adulta podrían ser un vestigio de una
Autor Manuscrito
interdependencia que surgió antes en la vida (por ejemplo, efectos de la escolarización en múltiples funciones
cognitivas durante la infancia) pero ya no existe en la edad adulta. Por el contrario, las diferencias individuales
correlacionadas (es decir, “acopladas”) en las tasas longitudinales de desarrollo cognitivo en adultos cambiarEs
más probable que reflejen sistemas de influencia que se desarrollan durante la edad adulta (Tucker-Drob,
2011b). Examinar tales asociaciones entre las diferencias individuales en los cambios cognitivos longitudinales
permite preguntar directamente si los individuos que están empeorando particularmente rápidamente en
relación con sus pares en una capacidad tienen más probabilidades de estar disminuyendo rápidamente (o de
mejorar menos) en relación con sus pares en otra. capacidad cognitiva diferente, y si aquellos que permanecen
relativamente intactos en una habilidad también probablemente permanecerán relativamente intactos en otra
habilidad. En otras palabras, los datos longitudinales permiten a los investigadores plantearse la pregunta
“¿todo va junto cuando sucede?” (Rabbitt, 1993) al nivel de diferencias interindividuales correlacionadas en el
cambio intraindividual (Baltes, Reese y Nesselroade, 1977). Esta pregunta precisa es fundamental para abordar
Autor Manuscrito
las teorías de factores comunes del envejecimiento cognitivo. Como escribieron Deeater-Deckard y Mayr (2010):
multifacético provendrá de datos longitudinales cuidadosos... que permitan descubrir la dimensionalidad del
(Carroll, 1989)
Una razón para sospechar que las disminuciones longitudinales relacionadas con el envejecimiento podrían estar
correlacionadas entre las capacidades cognitivas es lo que Deary (2000, p. 6) ha descrito como “posiblemente el
resultado más replicado en toda la psicología”, es decir, que las diferencias individuales en las capacidades
cognitivas, medidas en un momento dado, están correlacionados positivamente entre sí. Estecolector positivoEl
concepto de correlaciones fue descubierto originalmente por Spearman (1904) y sirvió como base para la
hipótesis de que una dimensión estadística común, o lo que Spearman denominóinteligencia general(gramo),
subyace a proporciones sustanciales de variación en diferentes capacidades cognitivas. Spearman formalizó esta
hipótesis utilizando el análisis factorial, que prueba si una matriz observada de intercorrelaciones de variables
puede aproximarse estrechamente mediante un modelo en el que todas las variables se interrelacionan a través
de sus relaciones mutuas con un factor latente no observado. Desde Spearman (1904), los métodos de análisis
Autor Manuscrito
factorial han establecido que las diferencias individuales en las habilidades cognitivas se ajustan a una estructura
jerárquica en la que habilidades estrechas (a menudo indexadas mediante pruebas individuales) pesan sobre
dominios de habilidades cognitivas más amplios (por ejemplo, razonamiento abstracto, habilidad espacial,
capacidad verbal). capacidad, memoria episódica, memoria de trabajo y velocidad de procesamiento), que a su
vez se cargan en un único orden superiorgramo(Carroll, 1993). Típicamente,gramo representa más del 50% de la
varianza en los dominios de habilidad de primer orden (Carroll, 1993; Tucker-Drob, 2009). Sigramodebe ser
tratado como una entidad psicológica verídica o simplemente como una abreviatura estadística para resumir
convenientemente una matriz de correlaciones que de otro modo sería de alta dimensión ha sido un tema de
tremendo interés teórico (Bartholomew, Deary y Lawn, 2009; Dickens, 2007; Kievit et al. , 2017; Kovacs & Conway,
2016; Thurstone, 1938; van der Maas et al., 2006) y la consternación y el debate ideológicos (Gould, 1981) durante
el siglo pasado. Una opinión es que los factores de orden superior, comogramoestán “definiendo un marco de
referencia funcional, ubicado de manera conveniente en el 'espacio' definido por todos los comportamientos de
Autor Manuscrito
un tipo dado” (Cronbach y Mehl, 1955, p. 277-278). Una visión diferente es queinteligencia generales un
“constructo genuino” (Gignac, 2016, p. 69) que influye causalmente en los comportamientos a través de los
El objetivo de este artículo es proporcionar evidencia descriptiva metaanalítica sobre la dimensionalidad del cambio
cognitivo en la edad adulta. Este objetivo es compatible con los dos puntos de vista de la inteligencia general descritos
anteriormente, aunque los dos puntos de vista divergirán en la interpretación de los resultados. El hecho de que un factor
general moderadamente fuerte subyace a las diferencias individuales en diferentes habilidades cognitivas en un solo
momento sugiere la posibilidad, pero no garantiza, de que un factor general pueda subyacer a las diferencias individuales
en las tasas de cambio en diferentes habilidades a lo largo del tiempo. En otras palabras, las dimensiones estadísticas a lo
Autor Manuscrito
largo de las cuales surgen las diferencias individuales en las capacidades cognitivas a lo largo del desarrollo pueden
corresponder a las dimensiones a lo largo de las cuales ocurren las diferencias individuales en el envejecimiento
cognitivo. Salthouse (1988) propuso que las disminuciones en los recursos de procesamiento generales pueden ser la
base de las disminuciones relacionadas con el envejecimiento en diferentes habilidades cognitivas, observando
específicamente fuertes “paralelismos entre los recursos de procesamiento y la capacidad intelectual” (p. 251). Juan-
Espinosa et al. (2002) proporcionaron una metáfora anatómica para el crecimiento y la disminución de las capacidades
cognitivas a lo largo de la vida (ver también Baltes et al., 1980; Schaie, 1962; Tetens, 1777; Werner, 1948). Propusieron
Aunque el crecimiento y la contracción de los huesos humanos relacionados con la edad están organizados por la estructura
Autor Manuscrito
anatómica del esqueleto humano, las diferencias individuales en las capacidades cognitivas humanas pueden tener una estructura
inherente a lo largo de la cual el crecimiento y la disminución ocurren naturalmente (ver Baltes et al., 2006, para un resumen de
Por supuesto, la estructura factorial del envejecimiento cognitivo apenas podría parecerse, si es que se
parece en nada, a la estructura de las diferencias individuales en las capacidades cognitivas medidas en
un momento estático en el tiempo. Por ejemplo, la estructura de las diferencias individuales estáticas en
los niveles de capacidad cognitiva en la edad adulta temprana puede reflejar principalmente cómo se
estructura la heterogeneidad en la experiencia ambiental a lo largo de la infancia (por ejemplo, las
experiencias que fomentan el crecimiento en una capacidad tienden a coexistir con otras experiencias
que fomentan el desarrollo de una capacidad). crecimiento en otras habilidades), desde los efectos
amplios de las experiencias cognitivamente enriquecedoras en muchas habilidades cognitivas diferentes
sobre el desarrollo infantil, o desde los efectos amplios del compromiso intelectual y la motivación para el
Autor Manuscrito
logro sobre muchas habilidades cognitivas diferentes sobre el desarrollo infantil (Dickens, 2007; Tucker-
Drob , 2013; Tucker-Drob, Briley, & Harden, 2013; para una exploración temprana de estas ideas, véase
Baltes et al, 1978). Por el contrario, la heterogeneidad en el deterioro cognitivo relacionado con el
envejecimiento puede deberse a procesos neurodegenerativos específicos en diferentes estructuras y
funciones neuronales, cada una de las cuales favorece una capacidad diferente. De hecho, los correlatos
de los niveles de capacidades cognitivas tanto en la niñez como en la edad adulta, incluidos los índices de
estatus socioeconómico y salud física, generalmente no han logrado predecir significativamente las
diferencias individuales en el deterioro cognitivo relacionado con el envejecimiento (Tucker-Drob,
Johnson y Jones, 2009; Ritchie et al. ., 2016). Además, hay poca evidencia consistente de que las
diferencias individuales en los niveles de habilidades cognitivas estén sistemáticamente correlacionadas
con diferencias individuales en los cambios en esas habilidades (Verhaegen, 2013). De este modo,
Autor Manuscrito
La estructura factorial de las diferencias individuales en los cambios cognitivos durante la edad adulta puede
impulsar transformaciones en la estructura factorial de las diferencias individuales en las capacidades cognitivas
a medida que avanza la edad. Esto queda claro cuando se considera que las diferencias individuales en un rasgo
en una edad adulta particular representan una mezcla de diferencias individuales en los niveles de ese rasgo que
han existido desde la edad adulta temprana y diferencias individuales en los cambios en ese rasgo a partir de
entonces. Según Hofer y Sliwinski (2001; cf. Hertzog, 1985), la covarianza entre las habilidades x e y en el
momento t es función de la covarianza entre las habilidades en el momento inicial, las covarianzas de cambio de
nivel y la covarianza entre los cambios desde el momento inicial. al tiempo t. Si las diferencias individuales en los
niveles de diferentes habilidades covarían moderadamente en la edad adulta temprana, y las diferencias
individuales en los cambios posteriores en esas habilidades no están correlacionadas o se correlacionan muy
Autor Manuscrito
débilmente, entonces esperaríamos que la correlación entre los niveles de habilidad disminuya con la edad. Si las
diferencias individuales en los niveles de diferentes habilidades covarían moderadamente en la edad adulta
temprana, y las diferencias individuales en los cambios posteriores en esas habilidades están fuertemente
correlacionadas, entonces esperaríamos que la correlación entre los niveles de habilidad aumente con la edad.
Finalmente, si la magnitud de la correlación entre las diferencias individuales en los niveles de diferentes
habilidades en la edad adulta temprana es similar a la magnitud de la correlación entre las diferencias
individuales en los cambios posteriores en esas habilidades, entonces esperaríamos que la correlación entre los
constante a medida que avanza la edad. Como escriben Hofer y Sliwinksi (2001) “a medida que pasa el tiempo, la
Autor Manuscrito
magnitud de la covarianza se debe cada vez más a la covarianza asociada con las tasas de cambio en relación
con las otras fuentes de covarianza. Por lo tanto, en muestras de individuos de mayor edad, habrá transcurrido
más tiempo y esto aumentará la contribución... que refleja las diferencias individuales en las tasas de
envejecimiento” (p. 346). De hecho, esta lógica ha sido la motivación detrás de varias investigaciones sobre la
hipótesis de desdiferenciaciónque las habilidades se correlacionan cada vez más con la edad adulta (ver Baltes et
al., 1980 y Reinert, 1970 para investigaciones tempranas de la hipótesis de la desdiferenciación; ver Cox et al.,
neuroestructural). En un modelo analítico factorial, la predicción es que un factor comúngramoEl factor debería
tener en cuenta la variación creciente en las habilidades con la edad. La evidencia sobre la desdiferenciación de
las capacidades cognitivas relacionada con el envejecimiento ha sido mixta (ver Tucker-Drob, 2009, para una
Basándose en trabajos anteriores de Baltes, Nesselroade, Reinert y otros, de Frias et al. (2007) ampliaron
la hipótesis de la desdiferenciación para predecir transformaciones en la estructura factorial de cambios
relacionados con el envejecimientocon el tiempo. Teorizar que “un conjunto de fuentes comunes cada
vez másdomina el desarrollo de las habilidades intelectuales” (de Frias et al., 2007, p. 382, cursiva en el
original) en la edad adulta, de Frias et al. (2007) predijeron que hay aumentos relacionados con la edad
en “el grado en que los cambios en una sola capacidad cognitiva se asocian con cambios en otras
habilidades” (de Frias et al., 2007, p. 382), lo que denominaronhipótesis de desdiferenciación dinámica.
Históricamente, los principales impedimentos para el progreso de la investigación longitudinal sobre las diferencias
individuales en el cambio a lo largo del tiempo surgieron de la falta de disponibilidad de métodos adecuados para
analizar datos longitudinales. Quizás el enfoque más intuitivo para analizar el cambio sea calcular las diferencias
observadas entre las puntuaciones de las pruebas en las ocasiones de medición inicial y de seguimiento. Sin embargo,
cuando tales “puntajes de cambio brutos” se calculan a partir de medidas que en sí mismas no tienen una confiabilidad
perfecta, los problemas relacionados con la falta de confiabilidad y la regresión a la media se combinan hasta tal punto
−las diferencias individuales en el cambio cognitivo− se oscurecen mucho. Cronbach y Furby (1970), por ejemplo,
escribieron que “las puntuaciones de 'cambio bruto' o 'ganancia bruta' formadas restando las puntuaciones previas a la
prueba de las puntuaciones posteriores a la prueba conducen a conclusiones falaces, principalmente porque dichas
puntuaciones están sistemáticamente relacionadas con cualquier error aleatorio de medición" (p. . 68), y que “los
investigadores que hacen preguntas sobre las puntuaciones de ganancia normalmente harían mejor en formular sus
Autor Manuscrito
Actualmente existen métodos sofisticados para analizar datos longitudinales que evitan los muchos escollos asociados
con las puntuaciones de cambio brutas. Estos incluyen modelos de curva de crecimiento (que normalmente se
especifican como modelos de ecuaciones estructurales, modelos lineales jerárquicos, modelos de efectos mixtos o
modelos de coeficientes aleatorios; McArdle y Nesselroade, 2003; Raudenbush y Bryk, 2002) y modelos de puntuación de
diferencias latentes (que normalmente se especifican como como modelos de ecuaciones estructurales;
Durante los últimos quince años, aproximadamente, varios estudios han aprovechado la curva de crecimiento
multivariante y los modelos de puntuación de diferencias latentes de las interrelaciones entre las diferencias individuales
en los cambios a lo largo del tiempo. Por ejemplo, al señalar que la teoría de la velocidad de procesamiento del
envejecimiento cognitivo rara vez se había examinado en datos longitudinales, Zimprich y Martin (2002) razonaron que
“si la velocidad de procesamiento constituye un factor limitante importante para el funcionamiento cognitivo, entonces
una persona con un cambio longitudinal específico en el envejecimiento cognitivo rara vez se había examinado en datos
intelectuales” (p. 690). Al aplicar modelos de puntuación de diferencias latentes a datos longitudinales de cuatro años de
adultos mayores, informaron que las diferencias individuales en los cambios en la velocidad de procesamiento se
correlacionaban con las diferencias individuales en los cambios en la inteligencia fluida en r = 0,53. Wilson y cols. (2002)
ampliaron este trabajo del contexto bivariado al multivariado. Utilizaron modelos de curva de crecimiento para estimar
correlaciones entre diferencias individuales en siete variables cognitivas diferentes, incluidas medidas de memoria de
Autor Manuscrito
trabajo, capacidad visoespacial, velocidad de percepción, fluidez, memoria episódica y conocimiento verbal. Cuando
sometieron esta matriz de correlación al análisis de componentes principales, encontraron que un solo componente
representaba el 61,6% de la varianza en las diferencias individuales en los cambios cognitivos. Varios estudios más
recientes han combinado modelos analíticos de factores y enfoques de curvas de crecimiento en forma de modelos de
“factores de curvas” (McArdle, 1988) para estimar la varianza común en las diferencias individuales en los cambios
cognitivos. Lindenberger y Ghisletta (2009) informaron que un único factor común explicaba el 60% de la varianza en las
disminuciones longitudinales de 13 años en múltiples variables cognitivas del Estudio de Envejecimiento de Berlín.
Tucker-Drob (2011a) informó que un único factor común explicaba el 63% de la varianza en los cambios longitudinales en
procesamiento en participantes del Proyecto de Envejecimiento Cognitivo de Virginia durante hasta 7 años. Utilizando
datos longitudinales de 20 años de adultos de mediana edad y muy mayores del Reino Unido, Ghisletta, Rabbitt, Lunn y
Lindenberger (2012) informaron que un único factor común explicaba dos tercios de la varianza en los cambios
Autor Manuscrito
1Tanto los modelos de curva de crecimiento como los modelos de puntuación de diferencias latentes son ventajosos para limitar el sesgo asociado con errores de
medición aleatorios, pero son menos efectivos para limitar el sesgo que resulta de errores sistemáticos de medición, como las influencias de la variación en la
destreza manual sobre el desempeño en varias evaluaciones diferentes. tareas. En muchas circunstancias, los enfoques de modelización estadística tienen una
eficacia limitada para controlar los factores de confusión que resultan del diseño del estudio y la selección de tareas.
Quedan varias cuestiones pendientes. En primer lugar, si bien los estudios destacados
anteriormente han indicado que aproximadamente el 60% de la varianza en el deterioro cognitivo
Autor Manuscrito
relacionado con el envejecimiento se comparte entre dominios, otros informes han informado
estimaciones mucho más bajas de la varianza compartida. Por ejemplo, en datos longitudinales de
un subconjunto de participantes de los Estudios de envejecimiento de Einstein, Sliwinski y Buschke
(2004) informaron correlaciones entre diferencias individuales en cambios longitudinales en
memoria, velocidad y fluidez que oscilaban entre r = 0,16 y r = 0,33. Por lo tanto, es necesaria una
estimación metaanalítica de la magnitud de la varianza compartida entre los cambios en las
capacidades cognitivas relacionados con el envejecimiento para distinguir si el efecto verdadero
está en el rango del 50-60% o más, como sugieren algunos estudios, o en el rango del 15-30%,
como sugieren otros. Es particularmente informativo comparar la magnitud de la varianza
compartida en el cambio longitudinal con la varianza compartida en los niveles de los mismos
estudios, para probar si el envejecimiento cognitivo es en mayor, menor o comparable dominio
general como se ha establecido para individuos estáticos. diferencias en las capacidades cognitivas
Autor Manuscrito
Método
Busqueda de literatura
Nuestro objetivo era recopilar una base de datos metaanalítica integral que contenga estimaciones de la variación
compartida en los cambios longitudinales relacionados con el envejecimiento en el rango normal en dos o más
Autor Manuscrito
habilidades cognitivas del corpus de investigaciones publicadas. Para que un estudio fuera considerado para su inclusión
en nuestro metanálisis, era necesario que informara una estimación de la variación compartida en los cambios
longitudinales normativos relacionados con el envejecimiento en medidas de dos o más habilidades cognitivas diferentes.
La variación compartida en el cambio podría tomar la forma de correlaciones o covarianzas entre las pendientes de la
curva de crecimiento longitudinal o las puntuaciones de las diferencias latentes, o cargas de las pendientes de la curva de
crecimiento longitudinal o las puntuaciones de las diferencias latentes en un factor común (consulte el Apéndice A para
obtener una descripción general de la base estadística de tales modelos multivariados de cambios longitudinales).
Compilamos un conjunto inicial de artículos basados en la Tabla 1 de Tucker-Drob, Briley, Starr y Deary (2014), que
enumera (pero no metanaliza) estudios importantes anteriores que informan relaciones entre tasas de cambio en dos o
más aspectos cognitivos. variables que utilizan un método estadístico (por ejemplo, modelado de curva de crecimiento o
modelado de puntuación de diferencia latente) para modelar el cambio sistemático a lo largo del tiempo, separado del
error aleatorio. Luego buscamos ampliar este conjunto de varias maneras. Primero, examinamos las secciones de
Autor Manuscrito
referencia de cada uno de los artículos que cumplían con nuestros criterios de inclusión para identificar otros artículos
que pudieran justificar su inclusión, y realizamos este proceso de forma iterativa para cada nuevo artículo incluido. En
segundo lugar, utilizamos Google Scholar para buscar artículos que citaran los artículos incluidos para identificar otros
artículos que podrían justificar su inclusión. y realizó este proceso de forma iterativa para cada nuevo artículo incluido. En
tercer lugar, realizamos búsquedas utilizando Google Scholar con combinaciones de al menos un término de búsqueda
(longitudinal, cambio, pendiente, curva de crecimiento, puntuación de diferencia), cognitivo (cognitivo, cognición, capacidad,
Autor Manuscrito
Se excluyeron los estudios que se centraron principalmente en poblaciones clínicas, los estudios de poblaciones de niños y
adolescentes (individuos menores de 18 años), los estudios que emplearon únicamente instrumentos de detección de demencia (p.
ej., el Mini Examen del Estado Mental) para indexar las capacidades cognitivas, los estudios que solo examinaron las capacidades
compartidas. variación en los cambios longitudinales relacionados con el envejecimiento en diferentes marcadores de la misma
capacidad cognitiva, estudios que no corrigieron (o proporcionaron información que podría usarse para corregir) las estimaciones
de falta de confiabilidad (por ejemplo, no utilizaron modelos de curva de crecimiento, modelos de puntuación de diferencias
latentes o modelos desatenuados). correlaciones entre puntuaciones de cambio brutas), estudios que solo informaron cambios en
la variación compartida (por ejemplo, un modelo de curva de factores) pero no la variación compartida en el cambio (por ejemplo,
un modelo de factores de curvas,un modelo de crecimiento [de proceso paralelo] bivariado o multivariado), publicaciones que
examinaron las correlaciones dentro de una persona en habilidades a lo largo del tiempo pero no examinaron las correlaciones
entre personas en el cambio longitudinal basado en ondas, tiempo o edad, y publicaciones en otros idiomas. que el inglés.
Autor Manuscrito
Cuando más de una publicación basada en la misma muestra cumplió con nuestros criterios de inclusión, retuvimos el
estudio que informó el período de tiempo longitudinal más largo o los cambios en el mayor número de habilidades
medidas. En los casos en los que dos publicaciones diferentes basadas en la misma muestra contenían cada una
información única (por ejemplo, una publicación informó resultados para más habilidades, pero la otra publicación
analizó datos de un período de tiempo longitudinal más largo), ingresamos los resultados de ambos estudios e
incluimos las ponderaciones apropiadas. y términos de agrupación para cada uno, como se describe con más detalle a
continuación.
Los tamaños del efecto clave que registramos para el metanálisis actual fueron estimaciones de
Autor Manuscrito
las tasas de cambios longitudinales en sólo dos variables cognitivas, registramos esta correlación como
comunalidad; (2) cuando se informaron cargas estandarizadas en un factor común de cambios
longitudinales en tres o más variables cognitivas, registramos la carga estandarizada al cuadrado como
las comunalidades; (3) cuando se informaron correlaciones o covarianzas entre tasas de cambios
longitudinales en tres o más variables cognitivas, ajustamos un modelo factorial a la matriz para derivar
cargas factoriales estandarizadas, que luego cuadramos y registramos como comunales. También
registramos las proporciones de
varianza en niveles (es decir, comunalidades para la curva de crecimiento y niveles de puntuación de diferencia latente) para cada
Autor Manuscrito
variable, de modo que podríamos hacer comparaciones directas de la varianza compartida en el cambio con la varianza compartida
en los niveles.
Registramos información complementaria, incluida la información necesaria para calcular las ponderaciones de
precisión del metanálisis, como se describe a continuación. Para los modelos de curva de crecimiento, esto
incluyó la varianza en los niveles latentes y las pendientes de las respectivas variables cognitivas, las varianzas
residuales específicas del tiempo y la correlación nivel-pendiente dentro de la variable. Para los modelos de
puntuación de diferencia latente, esto incluyó la varianza en los niveles latentes y los cambios de los respectivos
factores de capacidad cognitiva, la correlación de cambio de nivel dentro de los factores y las cargas y varianzas
únicas para cada indicador individual de los factores latentes. Para facilitar la interpretabilidad, todos los
parámetros se redimensionaron para reflejar variaciones de nivel latente de 1,0. Además, registramos los
intervalos de tiempo entre cada ola de evaluación y el tamaño de la muestra en cada ola de evaluación.
Autor Manuscrito
Tomamos una serie de decisiones adicionales de acuerdo con las siguientes pautas. Cuando los resultados se
desglosaron por grupo de edad, ingresamos los parámetros de los grupos de edad, en lugar de los parámetros
del análisis combinado. Cuando los resultados estuvieron disponibles tanto para las pruebas individuales como
para las compuestas basadas en múltiples pruebas que representan la misma habilidad, ingresamos los
resultados de las compuestas. En los casos en los que un artículo solo proporcionó tamaños de muestra para el
número de oleadas completas (por ejemplo, 400 personas completaron 4 oleadas, 350 personas completaron
solo 3 oleadas, 250 completaron solo 3 oleadas), pero no se proporcionaron tamaños de muestra por oleada de
evaluación, tratamos el la falta como si se debiera enteramente a la deserción (a diferencia de, por ejemplo,
inscribir nuevos participantes en oleadas posteriores o que los participantes se salten oleadas). Estimaciones
estandarizadas mayores que 1. 0 fueron codificados en 1.0. Todos los parámetros se codificaron para reflejar una
escala en la que las puntuaciones más altas indicaban un mejor rendimiento. Por ejemplo, si una medida del
Autor Manuscrito
tiempo de reacción tenía una carga negativa en un factor, el signo se cambiaba a una carga positiva. En
situaciones en las que el conjunto completo de parámetros requeridos no se proporcionó en el artículo, pero se
covarianza con curvas de crecimiento multivariadas o modelos de puntuación de diferencia latente para derivar
correlaciones por pares entre pendientes latentes para tres dominios de capacidad cognitiva, derivamos cargas
Moderadores de codificación
Además, codificamos una variedad de características de los tamaños del efecto, muestras y estudios como moderadores
Autor Manuscrito
Edad media en la evaluación inicialfue registrado para todos los estudios. Cuando no se proporcionó
la edad media al inicio, pero sí un rango de edad al inicio, codificamos el punto medio de ese rango
de edad.
Edad media en nivel latentese calculó para todos los estudios basándose en la mejor información disponible.
El nivel latente representa las diferencias individuales en la edad o en el momento en que
en el que el coeficiente base de la curva de crecimiento se fija en cero. Por lo tanto, la elección de cómo centrar el tiempo o la
Autor Manuscrito
edad en un modelo de curva de crecimiento afecta la interpretación del nivel de la curva de crecimiento. Si, por ejemplo, la edad
se centra en los 70 años, entonces el nivel en un modelo de crecimiento basado en la edad debe interpretarse como que
representa diferencias individuales a los 70 años, incluso si la edad promedio al inicio es diferente (por ejemplo, 60 años). Para el
modelado basado en la edad, la edad en el nivel latente es la edad en la que la pendiente de la curva de crecimiento es igual a 0.
Para el modelado basado en el tiempo (incluido el modelado de puntuación de diferencia latente), la edad en el nivel latente es
Retraso longitudinalse registró como la cantidad de tiempo promedio que pasó entre la primera y
la última ocasión de medición para aquellos individuos que completaron la ola final del estudio.
Capacidad amplia versus limitadase registró para cada medida de resultado bajo estudio. Una medida de
Autor Manuscrito
resultado se codificó como una habilidad amplia (1) si era un factor latente o un índice compuesto formado a
partir de múltiples medidas diferentes del mismo dominio cognitivo. Una medida de resultado se codificó como
una habilidad limitada (0) si se midió con una sola prueba. Los factores latentes derivados de formas
Tasa media de cambio longitudinalse codificó para cada resultado en estudio, cuando estuvo
disponible. Esta información se refleja en la media de la pendiente de la curva de crecimiento (también
conocida comúnmente como efecto fijo) o la media de la puntuación de la diferencia latente. Todas las
Autor Manuscrito
Inicialmente, buscamos obtener errores estándar para las estimaciones clave del tamaño del efecto de interés (las
comunalidades), o información de la cual pudiéramos derivar dichos errores estándar, como intervalos de confianza del
95% o intervalos de confianza exactos.pagvalores. Esto nos permitiría ponderar la contribución de cada tamaño del efecto
a la estimación metaanalítica según la precisión de ese tamaño del efecto, como se considera la mejor práctica en el
metanálisis (Cheung, 2015). Sin embargo, al revisar los estudios que cumplieron con los criterios de inclusión para
nuestro metanálisis, solo una minoría informó la información necesaria para las comunas (los errores estándar
estuvieron disponibles de manera más consistente para las tasas medias de cambio longitudinal). Normalmente, cuando
los errores estándar no están disponibles, se realiza un metanálisis utilizando ponderación del tamaño de la muestra. Sin
problemática, ya que varias características del conjunto de datos, más allá del tamaño de la muestra, determinan la
precisión de las estimaciones. Por ejemplo, el número de ocasiones, la cantidad de varianza del error de medición
específico en el tiempo en relación con la cantidad de varianza de nivel y pendiente, los intervalos de tiempo entre
ocasiones y el grado de desgaste entre ondas afectan la precisión de las estimaciones de parámetros de los modelos de
curva de crecimiento longitudinal (Brandmaier et al., 2018a; Brandmaier et al., 2015; von Oertzen & Brandmaier, 2013).
algoritmos diseñados para capitalizar teoremas matemáticos formales deerror efectivoen el modelado de la
Autor Manuscrito
curva de crecimiento y el modelado de puntuaciones de diferencias latentes (Brandmaier et al., 2018a; ver
también Brandmaier et al., 2018b) para derivar pesos metanalíticos proporcionales a la precisión asintótica de
Nuestro enfoque metanalítico se centró en la magnitud de la varianza compartida entre las diferencias individuales en los
cambios longitudinales en dos o más variables cognitivas (es decir, las comunalidades). Por lo tanto, desarrollamos
nuestro algoritmo de ponderación para producir ponderaciones proporcionales a las varianzas de muestreo inversas (es
decir, inversa del error estándar al cuadrado) de las comunalidades de nivel y pendiente (equivalente a la correlación,
como se describió anteriormente) en modelos de curva de crecimiento bivariado y modelos de puntuación de diferencia
latente. . Al calcular las ponderaciones de precisión, hicimos una serie de suposiciones simplificadoras. En primer lugar,
asumimos que el cambio se produjo linealmente a lo largo del tiempo y que el modelo de la curva de crecimiento se
especificó en términos de tiempo desde el inicio (a diferencia de, por ejemplo, el número de ocasiones o la edad).
También asumimos que las covarianzas nivel-pendiente eran insignificantes (un algoritmo más complejo que incluía
Autor Manuscrito
información sobre estas covarianzas no funcionó mejor en la aproximación de ponderaciones basadas en la varianza
muestral en un análisis de simulación), y que las autocorrelaciones específicas de las variables en el modelo de
puntuación de diferencia latente eran insignificantes. . Como nuestro algoritmo asumió que la varianza compartida se
infería de la curva de crecimiento bivariada de “proceso paralelo” o de modelos de puntaje de diferencia latente,
adoptamos el siguiente enfoque para consolidar información de los resultados de modelos multivariados de “factor de
curvas”, a fin de calcular ponderaciones para la capacidad. cargas específicas cuando se estaba modelando más de una
habilidad. Para obtener información relacionada con la primera de las dos variables, ingresamos la varianza de nivel, la
varianza de pendiente/cambio, la varianza específica de tiempo/residual, e información de carga del indicador para la
variable para la cual estábamos derivando el peso. Para obtener información relacionada con la segunda de las dos
variables, calculamos estimaciones promedio para la varianza de nivel, la varianza de pendiente/cambio, la varianza
específica de tiempo/residual y la carga del indicador tomadas en las habilidades restantes modeladas después de la
primera estandarización a una métrica común.2 Esto El enfoque es algo conservador, ya que no otorga peso adicional a
Autor Manuscrito
las estimaciones derivadas de modelos multivariados más complejos, en comparación con modelos bivariados menos
complejos (todas las estimaciones del tamaño de los efectos se tratan como si se derivaran de modelos bivariados).
Construcción de reducciones de peso para tener en cuenta múltiples tamaños de efectos por estudio
Además de construir ponderaciones de precisión proporcionales a las varianzas de muestreo inversas, construimos un esquema
de reducción de ponderaciones para corregir el hecho de que muchos de los estudios contribuyeron con múltiples tamaños de
efecto para la varianza de pendiente compartida y la varianza de nivel compartida. Por ejemplo, un estudio en el que un factor se
ajusta a los niveles y un factor separado se ajusta a las pendientes de los índices de cinco habilidades diferentes produciría cinco
estimaciones de la varianza del nivel compartido (es decir, cinco cargas al cuadrado en el primer factor) y cinco estimaciones de la
Autor Manuscrito
varianza del nivel compartido. varianza de pendiente compartida (es decir, cinco cargas al cuadrado en el segundo factor). Todas
2Por ejemplo, si un estudio proporcionara cargas para la pendiente de la velocidad de procesamiento, la pendiente de la memoria y la pendiente de razonamiento en un factor común
de las pendientes de la curva de crecimiento, el peso de la carga al cuadrado para la velocidad de procesamiento se derivaría ingresando en el algoritmo el nivel de varianza, pendiente
varianza y varianza específica de tiempo para la velocidad de procesamiento como información para la variable x. Para la variable y, la varianza del nivel promedio para la memoria y el
razonamiento, la varianza de la pendiente promedio para la memoria y el razonamiento y la varianza promedio específica del tiempo para la memoria y el razonamiento se ingresarían
como información para la variable y. Los desfases temporales y los tamaños de las muestras son generalmente constantes en todas las variables, de modo que no es necesario hacer
adaptaciones específicas para ingresarlos en los fragmentos de información.
información única e importante. Sin embargo, es evidente que no son independientes. Para garantizar que los estudios
Autor Manuscrito
que midieron más variables no tuvieran una influencia desproporcionada en las estimaciones metaanalíticas en virtud de
contribuir con un mayor número de estimaciones del tamaño del efecto, construimos “reducciones de peso” adicionales
proporcionales al número recíproco de tamaños del efecto contribuidos para un tipo de tamaño de efecto determinado.
Por lo tanto, en el ejemplo anterior de un modelo multivariado de cambios en cinco habilidades, las disminuciones tanto
para la varianza de nivel compartida como para la varianza de pendiente compartida serían iguales a una quinta parte
(0,20). Si no fuera por esta reducción de peso, en igualdad de condiciones, un estudio connorte= 300 y 20 variables
podrían tener una mayor influencia en la estimación metaanalítica de la varianza del cambio compartido que un estudio
connorte=1000 y solo 2 variables. La reducción de ponderación corrige este posible sesgo. Además, como se describe con
más detalle a continuación, implementamos un enfoque de modelado multinivel que tiene en cuenta las dependencias
estadísticas que surgen cuando se derivan múltiples tamaños de efecto de la misma muestra.
Construcción de un conjunto de datos metanálisis más restrictivo para análisis de sensibilidad controlados por
Autor Manuscrito
demencia
También realizamos análisis de sensibilidad para examinar en qué medida los resultados fueron impulsados por
la presencia de submuestras sustanciales de personas con demencia en los estudios primarios (cf. Sliwinski,
Hofer y Hall, 2003). Con este fin, construimos un conjunto de datos metaanalíticos adicional basado en los
procedimientos descritos anteriormente utilizando solo aquellos estudios que cumplían con al menos uno de los
siguientes criterios: a) los datos de un individuo se excluyeron de cualquier ola en la que ese individuo cumpliera
con los criterios de demencia diagnóstico o una puntuación en el rango de deterioro cognitivo en un instrumento
de detección de demencia (por ejemplo, puntuaciones de 23 o menos en el Mini Examen del Estado Mental
[MMSE]), b) la tasa informada de demencia en la muestra fue inferior al 1% durante todo el período del estudio, o
c) el estado de demencia se incluyó como una covariable que varía en el tiempo. En la práctica, Esto a menudo
implicó ingresar resultados diferentes de los ingresados para el conjunto de datos metanalíticos principal. Por
Autor Manuscrito
ejemplo, Sliwinski, Hofer y Hall (2003) informaron resultados separados para su muestra completa (“Todos los
participantes”) y una submuestra libre de demencia (“No casos”). En este caso, ingresamos los resultados de la
submuestra libre de demencia en este conjunto de datos más restrictivo en lugar de los de la muestra completa
que se ingresó en el conjunto de datos metanalítico primario. De manera similar, Lindenberger y Ghisletta (2009)
informaron resultados de modelos con y sin controles para la edad, el tiempo transcurrido hasta la muerte y un
marcador dicotómico de probable demencia. En este caso, ingresamos los resultados del modelo con controles
en este conjunto de datos más restrictivo en lugar de los del modelo sin controles que se ingresaron en el
conjunto de datos metanalítico primario. Tucker-Drob (2011a) y Ritchie et al. (2016) no informaron resultados
completos que excluyeran a los participantes con probabilidad de demencia (ambos informaron que los análisis
de sensibilidad que excluyeron casos probables de demencia no cambiaron sustancialmente los resultados), pero
debido a que tuvimos acceso a los datos sin procesar, que contenían puntuaciones MMSE, volvimos a analizar
esos dos conjuntos de datos que excluyen los datos de cualquier ola en la que un individuo obtuvo una
puntuación en el rango de deterioro cognitivo en el MMSE (es decir, puntuaciones de 23 o menos). Tucker-Drob
Autor Manuscrito
(2011b) y Ghisletta et al. (2012) no eliminaron datos de participantes con demencia ni de control del estado de
demencia. Unverzagt et al. (2012; su Tabla 3) informaron una tasa de eventos de demencia del 7,2% (y una tasa
de incidencia de 19,2/1000 personas-año) en la muestra analizada por Tucker-Drob (2011b) durante el período
longitudinal analizado. Por lo tanto, excluimos a Tucker-Drob (2011b) de este conjunto de datos más restrictivo.
Por el contrario, Ghisletta et al. (2012) estimaron una prevalencia de demencia de 20 de 6203 en su muestra.
la prevalencia fue inferior al 1%, conservamos los resultados de Ghisletta et al. (2012) en este conjunto de datos
Autor Manuscrito
más restrictivo. Finalmente, Tucker-Drob et al. (2014) analizaron datos de una muestra de 857 personas, 48 de
las cuales (5,6%) fueron diagnosticadas con demencia y proporcionaron puntuaciones cognitivas durante el
período de estudio. Los resultados se informaron para un modelo que controlaba la demencia como una
covariable que varía en el tiempo y, por lo tanto, se incluyeron tanto en el conjunto de datos metaanalíticos
primarios como en el conjunto de datos metanalíticos más restringido. Los estudios incluidos en el conjunto de
datos metanalíticos primarios que no indicaron la tasa de demencia ni informaron un método para tratar a los
participantes con demencia (p. ej., todos los resultados informados por Rast & Hofer, 2014), junto con aquellos
que informaron tasas no triviales de demencia (p. ej., Lemke & Zimprich, 2005, como se informa en Sattler et al.,
Metaanalizamos los tamaños de los efectos utilizando un marco de metarregresión en el que los tamaños de los efectos
Autor Manuscrito
de interés se hicieron retroceder sobre moderadores hipotéticos de los tamaños de los efectos, utilizando una función de
ajuste ponderado que incorpora ponderaciones de precisión y ponderaciones descendentes de las variables de resultado.
Como muchos de los estudios individuales incluidos en el conjunto de datos metanalíticos contribuyeron con tamaños del
efecto para múltiples variables, especificamos los modelos de metarregresión como modelos de dos niveles, en los que
Un modelo de metarregresión multinivel incondicional del tamaño del efectoESyopara el resultadoien estudio jSe puede
escribir como:
ESi,j=ESj+tui,j , (1)
dóndeESjrepresenta un tamaño del efecto inferido específico del estudio al que se le permite tener una media y
Autor Manuscrito
una variación (entre estudios)σ2 ES(el llamado efecto aleatorio), ytuyo, jes un estudio dentro del estudio
j
desviación de la media específica del estudio que se supone que tiene una media de cero y una varianza (dentro
del estudio)σ2
tui,j . En este modelo incondicional la varianza total deESyoes, por lo tanto
especificado como la suma de la variación entre estudios y dentro de los estudios, es decir:
σESi
2 , =σ2ES + σtu
2 . (2)
j j i,j
El modelo de metarregresión incondicional se puede ampliar para permitir predictores (los llamados
moderadores) a nivel dentro del estudio, a nivel entre estudios o una combinación de ambos. Un modelo de
Autor Manuscrito
k yo
ESyo=b0+∑bk ⋅ Xk + tui,j + ∑b yo⋅Xyo + tuj , (3 )
1 j i,j 1 j
dóndeb0es una intersección de regresión,bkjes un coeficiente de regresión del tamaño del efecto en la variable
Autor Manuscrito
dentro del estudioXki,jes un coeficiente de regresión del tamaño del efecto en la variable entre estudiosXlj, tuyo, j
es un residual dentro del estudio, ytujes un residuo entre estudios. Se especifica que los residuos dentro del
estudio y entre estudios tienen medias cero y varianas estimadas libremente. También se pueden estimar las
varianzas para coeficientes de regresión seleccionados dentro del estudio (bkj), de modo que constituyen
pendientes aleatoriasque representa la variación entre estudios en la magnitud del efecto de regresión dentro de
los estudios. Se puede permitir que las pendientes aleatorias covaríen con los residuos entre estudios.
Cuando fue relevante, incluimos ponderaciones de precisión especificándolas al nivel de los tamaños de efecto
individuales (es decir, comodentro-pesos de racimo). Las reducciones de ponderación se especificaron al nivel
de las muestras contribuyentes (es decir, comoentre-pesos de racimo). Las ponderaciones se redimensionaron
de modo que los productos de las ponderaciones dentro del grupo y entre grupos sumen el número total de
tamaños del efecto en el modelo de metarregresión (Asparouhov, 2008). Los modelos fueron estimados en M
Autor Manuscrito
más(Muthén y Muthén, 1998–2017). La limpieza de datos, la derivación de pesos y el trazado se realizaron enR
(Equipo central de R, 2016).
Resultados
En la Tabla 1 se proporciona información descriptiva para cada uno de los estudios que contribuyeron con
estimaciones del tamaño del efecto al metanálisis. En total, identificamos 89 tamaños del efecto que representan
compuestos por más de 30 000 datos únicos. individuos en total. Tenga en cuenta que los análisis multivariados
en los que un modelo factorial se ajusta a las pendientes proporcionan estimaciones individuales para la
varianza de la pendiente de cada una de las variables analizadas y estimaciones individuales para la varianza
Autor Manuscrito
compartida para cada una de las variables analizadas. Sin embargo, los análisis bivariados proporcionan
estimaciones individuales de la varianza de la pendiente para cada una de las dos variables, pero solo
proporcionan una estimación única de la varianza compartida entre las dos variables. Como algunos estudios
osciló entre 35,42 años y 84,92 años, con una mediana de 64,90, una media de 66,27 años y una
desviación estándar de 11,32 años. La edad promedio en nivel latente osciló entre 35,42 años y
85,00 años, con una mediana de 69,53, una media de 66,72 años y una DE de 11,64 años.
se clasificaron como compuestos o factores de capacidad amplia y 55 se clasificaron como medidas específicas.
Autor Manuscrito
Rast y Hofer (2014) no informaron la tasa media de cambio longitudinal para ningún resultado en su artículo, y
Lemke y Zimprich (2005) no informaron la tasa media de cambio longitudinal para la memoria. De los 75
Cambio medio
Para producir una estimación metaanalítica del cambio cognitivo medio, ajustamos un modelo de
metarregresión incondicional de dos niveles, con las estimaciones del tamaño del efecto individual del cambio
medio ponderadas por su varianza de muestreo inversa y el número inverso de tamaños del efecto aportados
por el conjunto de datos asociado. al conjunto de datos metanalíticos completo. El cambio medio fue –0,051 (SE
Autor Manuscrito
= 0,007, p < 0,0005).3 Esto indica que, en promedio, el rendimiento cognitivo disminuyó aproximadamente una
vigésima parte de una desviación estándar por año, es decir, media desviación estándar por década. En este
modelo de dos niveles que descompuso la variación del tamaño del efecto en componentes dentro de la
muestra y entre muestras, la desviación estándar dentro de la muestra de las estimaciones del cambio medio
fue 0,022 (SE = 0,002, p < 0,0005; varianza = 0,0222=. 00048) y la desviación estándar entre muestras de las
estimaciones del cambio medio fue 0,027 (SE = 0,004, p < 0,0005, varianza = 0,0272= .00073). Esto indica que las
Correlaciones nivel-pendiente
Las correlaciones nivel-pendiente específicas de cada variable oscilaron entre −0,67 y 0,84. En un modelo de metarregresión incondicional de dos niveles, con los tamaños del efecto individuales
ponderados por el número inverso de tamaños del efecto aportados por el conjunto de datos asociado, la correlación media nivel-pendiente fue −0,042 (SE = 0,047, p = 0,362) . Cinco correlaciones
Autor Manuscrito
nivel-pendiente fueron exactamente cero. Dos de ellos provienen de Zimprich y Martin (2002), y dos de Lemke y Zimprich (2005), quienes parecen haber fijado estos parámetros en 0 en lugar de
estimarlos. Uno provino de Sliwinski y Buschke (2004), quienes parecieron haber estimado libremente que la asociación era exactamente cero. Cuando se excluyeron estos cinco tamaños del efecto,
la media ponderada se mantuvo muy cercana a cero (−0,047 SE = 0,049, p = 0,347). Finalmente, para facilitar las comparaciones con los resultados correspondientes a las comunas de pendientes,
que fueron el enfoque principal del metanálisis actual, calculamos las correlaciones nivel-pendiente dentro de las variables, ponderadas por las correspondientes precisiones de comunalidad de la
pendiente y el número inverso de tamaños del efecto aportados por el conjunto de datos asociado. Esta estimación fue de 0,001 (SE = 0,045, p = 0,989) en el conjunto de datos completo y de 0,000
(SE = 0,047, p = 0,996) al excluir los cinco efectos que eran exactamente cero. En el panel izquierdo de la Figura 1 se muestra un histograma de correlaciones nivel-pendiente dentro de las variables.
Es importante señalar que la correlación nivel-pendiente depende de cómo se codifica el tiempo en el modelo de curva de crecimiento (Biesanz et al., 2004 ; Rovine y Molenaar, 1998). Como la
tendencia era codificar el tiempo de manera que tiempo = 0 correspondiera a la onda de medición de referencia o al extremo anterior del rango de edad de la muestra, es posible que Calculamos
las correlaciones nivel-pendiente dentro de las variables, ponderadas por las correspondientes precisiones de comunalidad de la pendiente y el número inverso de tamaños del efecto aportados
por el conjunto de datos asociado. Esta estimación fue de 0,001 (SE = 0,045, p = 0,989) en el conjunto de datos completo y de 0,000 (SE = 0,047, p = 0,996) al excluir los cinco efectos que eran
exactamente cero. En el panel izquierdo de la Figura 1 se muestra un histograma de correlaciones nivel-pendiente dentro de las variables. Es importante señalar que la correlación nivel-pendiente
depende de cómo se codifica el tiempo en el modelo de curva de crecimiento (Biesanz et al., 2004 ; Rovine y Molenaar, 1998). Como la tendencia era codificar el tiempo de manera que tiempo = 0
Autor Manuscrito
correspondiera a la onda de medición de referencia o al extremo anterior del rango de edad de la muestra, es posible que Calculamos las correlaciones nivel-pendiente dentro de las variables,
ponderadas por las correspondientes precisiones de comunalidad de la pendiente y el número inverso de tamaños del efecto aportados por el conjunto de datos asociado. Esta estimación fue de
0,001 (SE = 0,045, p = 0,989) en el conjunto de datos completo y de 0,000 (SE = 0,047, p = 0,996) al excluir los cinco efectos que eran exactamente cero. En el panel izquierdo de la Figura 1 se muestra
un histograma de correlaciones nivel-pendiente dentro de las variables. Es importante señalar que la correlación nivel-pendiente depende de cómo se codifica el tiempo en el modelo de curva de
crecimiento (Biesanz et al., 2004 ; Rovine y Molenaar, 1998). Como la tendencia era codificar el tiempo de manera que tiempo = 0 correspondiera a la onda de medición de referencia o al extremo anterior del rango de edad de la muestra, es posible
3 Para mantener la coherencia con los resultados de otros análisis, utilizamos las ponderaciones reducidas construidas para el conjunto de datos completo, a pesar
de que faltaban algunas estimaciones de la tasa media de cambio.
Lo más apropiado sería interpretar estas correlaciones nivel-pendiente como representativas de la relación entre los
Autor Manuscrito
niveles iniciales de habilidad y el cambio posterior. Para probar si esta asociación dependía de la edad en la que se centró
el nivel de la curva de crecimiento (como se indica en la sección de método, para el modelado basado en la edad, esta es
la edad en la que la pendiente de la curva de crecimiento es igual a 0; para el tiempo- basado en el modelo, esta es la
edad promedio de los participantes en el momento 0), ajustamos un modelo de metarregresión de dos niveles con la
edad en el nivel como variable independiente y la correlación nivel-pendiente como variable dependiente, ponderada por
el reducciones de peso y permitir una intersección de regresión aleatoria. Los resultados de este análisis, superpuestos
en un diagrama de dispersión, se presentan en el panel derecho de la Figura 1. Los resultados indicaron una asociación
positiva significativa entre la edad en el nivel y la correlación nivel-pendiente (b=.006, SE=.003; p=.031). Sin embargo, el
intervalo de confianza del 95% para este efecto de la edad solo excluyó a 0 antes de los 50 años aproximadamente, donde
los datos eran escasos. Además, la asociación no fue significativa cuando se restringieron los análisis a los tamaños del
efecto para los cuales la edad en el nivel es superior a 50 años (87 observaciones, p = 0,243), o cuando la metarregresión
Como se esperaba de tratamientos anteriores de poder para detectar cambios correlacionados (Hertzog et al., 2006; Rast
& Hofer, 2014), los valores de precisión de comunalidad de pendiente fueron sustancialmente más bajos que los valores
de precisión de comunalidad de nivel. Para indexar la precisión relativa de las estimaciones, calculamos ratios de las
precisiones de las estimaciones de comunalidad de pendiente respecto de las estimaciones de comunalidad de nivel para
cada variable. La distribución de estos índices se representa como un histograma en la Figura 2. Puede verse que esta
distribución estaba sesgada a la derecha, con la mayoría de los índices dentro del rango de 0 a 0,20. Ninguna proporción
alcanzó un valor de 1,0 o superior. La proporción mediana fue 0,072, lo que indica que las comunalidades de pendiente
Las distribuciones de comunalidades de nivel y pendiente se representan como histogramas en la Figura 3. Las
estimaciones de comunalidad de nivel oscilaron entre 0,086 y 1,0. En un modelo de metarregresión incondicional
de dos niveles, ponderado por la precisión respectiva de las estimaciones individuales y por el número inverso de
tamaños del efecto aportados por el conjunto de datos asociado, el nivel medio de comunalidad fue de 0,558 (SE
= 0,029, p < 0,0005). . Esto indica que el 56% de la varianza en las diferencias individuales estáticas se comparte
entre habilidades. En este modelo de dos niveles que descompuso la variación del tamaño del efecto en
componentes dentro de la muestra y entre muestras, la desviación estándar dentro de la muestra de las
estimaciones de comunalidad de nivel fue 0,123 (SE = 0,026, p < 0,0005; varianza = 0,1232= 0,015) y la desviación
estándar entre muestras de las estimaciones de nivel de comunalidad fue 0,047 (SE = 0,012, p < 0,0005, varianza
Autor Manuscrito
= 0,0472= .002).
Las estimaciones de comunalidad de la pendiente oscilaron entre 0,004 y 1,0. En un modelo de metarregresión
incondicional de dos niveles, ponderado por la precisión respectiva de las estimaciones individuales y por el número
inverso de tamaños del efecto aportados por el conjunto de datos asociado, la pendiente media de la comunalidad fue de
0,600 (SE = 0,029, p < 0,0005). . Esto indica que, en promedio, el 60% de las diferencias individuales en los cambios
cognitivos relacionados con el envejecimiento se comparten entre distintas capacidades. En este modelo de dos niveles
que descompuso la variación del tamaño del efecto en dentro de la muestra y entre
de la pendiente fue .209 (SE = .021, p < .0005; varianza = .2092= 0,044) y la desviación estándar entre muestras
de las estimaciones de comunalidad de la pendiente fue 0,076 (SE = 0,028, p = 0,006, varianza = 0,0762
= .006). Esto indica que la mayor parte de la variación en las estimaciones del tamaño del efecto se produce dentro de las muestras,
potencialmente en función de las características de las capacidades cognitivas individuales o de las variables de capacidad
cognitiva. La variación entre muestras, alternativamente, podría reflejar las características de los participantes (p. ej., edad) y el
diseño del estudio (p. ej., desfase temporal o curva de crecimiento versus modelado de puntuación de diferencia latente).4
Las estimaciones metaanalíticas para la pendiente media y las comunalidades de nivel fueron muy similares (0,558 para las comunalidades de nivel y 0,600 para las comunalidades de pendiente).
Estábamos interesados en si las ligeras diferencias en las estimaciones se debían a diferencias en las distribuciones de las estimaciones individuales o a diferencias en las contribuciones relativas
de estas estimaciones a la media metaanalítica resultantes del empleo de diferentes conjuntos de ponderaciones de precisión para los niveles y las pendientes. En otras palabras, es posible que la
heterogeneidad no observada en los tamaños del efecto esté correlacionada con aspectos del diseño del estudio que están correlacionados de manera diferente con los dos conjuntos de
ponderaciones de precisión, de modo que ponderar las comunalidades de pendiente y las comunalidades de nivel dé como resultado estimaciones que son representativas de diferentes valores
Autor Manuscrito
teóricos. poblaciones de estudios. Por lo tanto, realizamos un análisis de sensibilidad para determinar si las diferencias en las estimaciones metaanalíticas del tamaño del efecto para los niveles y las
comunalidades de las pendientes convergieron o divergieron cuando se utilizó el mismo conjunto de ponderaciones de precisión. Volvimos a ejecutar el modelo de metarregresión incondicional
para los niveles comunitarios utilizando las ponderaciones de precisión para las pendientes. En este modelo, la estimación del nivel medio de comunalidad fue 0,585 (SE = 0,024, p < 0,0005), incluso
más cerca de la estimación media de la comunalidad de la pendiente de 0,600. Esto puede tomarse como evidencia adicional de que las comunalidades de nivel medio y pendiente son
extremadamente similares. Volvimos a ejecutar el modelo de metarregresión incondicional para los niveles comunitarios utilizando las ponderaciones de precisión para las pendientes. En este
modelo, la estimación del nivel medio de comunalidad fue 0,585 (SE = 0,024, p < 0,0005), incluso más cerca de la estimación media de la comunalidad de la pendiente de 0,600. Esto puede tomarse
como evidencia adicional de que las comunalidades de nivel medio y pendiente son extremadamente similares. Volvimos a ejecutar el modelo de metarregresión incondicional para los niveles
comunitarios utilizando las ponderaciones de precisión para las pendientes. En este modelo, la estimación del nivel medio de comunalidad fue 0,585 (SE = 0,024, p < 0,0005), incluso más cerca de la
estimación media de la comunalidad de la pendiente de 0,600. Esto puede tomarse como evidencia adicional de que las comunalidades de nivel medio y pendiente son extremadamente similares.
Autor Manuscrito
Una consideración importante en el metanálisis es si el corpus de tamaños de efectos incluidos en el conjunto de datos
metanálisis constituye una representación imparcial de la verdadera distribución de los efectos dentro de la población en
general. Se esperaría que el conjunto de datos metanalíticos estuviera sesgado y no fuera representativo si, por ejemplo,
existe una tendencia a que los autores presenten más artículos, o que los editores de revistas acepten artículos,
informando resultados en los que las estimaciones del tamaño del efecto son grandes, o Los valores de p son pequeños.
Este fenómeno se conoce comoel sesgo de publicación. También esperaríamos que el conjunto de datos metanalíticos
estuviera sesgado y no fuera representativo en los casos en que los autores ejecutan múltiples modelos, analizan
múltiples variables o toman múltiples decisiones alternativas de limpieza de datos, pero solo informan los resultados de
un subconjunto que produce tamaños de efecto más grandes o valores de p más pequeños. . Este fenómeno se conoce
comop-piratería.
Autor Manuscrito
Para buscar evidencia de sesgo de publicación, p-hacking u otros tipos de sesgos sistemáticos, generamos
gráficos en los que la precisión de las estimaciones del tamaño del efecto individual se compara con las
estimaciones mismas. Estos gráficos se conocen como gráficos en embudo porque, cuando el sesgo de
publicación es bajo y los efectos poblacionales reales son bastante homogéneos, estos gráficos representan un
embudo invertido, en el que los tamaños del efecto están distribuidos más estrechamente cuando
4Para diseños de dos ondas, los modelos de puntuación de diferencias latentes pueden expresarse de manera idéntica como modelos de curva de crecimiento. Por lo tanto, el
efecto del modelado LDS versus LGM puede interpretarse de manera equivalente como el efecto de dos o más de dos oleadas de recopilación de datos.
se estiman con mayor precisión y se distribuyen más ampliamente cuando se estiman con menos
Autor Manuscrito
precisión. En condiciones imparciales, el embudo debe ser simétrico, con un número aproximadamente
igual de estimaciones por encima y por debajo de la media metaanalítica. El vértice del embudo, que
contiene los tamaños del efecto estimados con los niveles más altos de precisión, debe estar centrado
cerca de la media metaanalítica. El patrón típico que se cree que es indicativo de un posible sesgo de
publicación es aquel en el que faltan notoriamente estimaciones de precisión más bajas y cercanas a 0,
de modo que el área inferior del embudo es asimétrica.
Los gráficos en embudo para las estimaciones de comunalidad de nivel y pendiente se muestran en la Figura 4. Se puede
ver que ambos gráficos son simétricos y que las estimaciones más precisas están centradas dentro de las distribuciones,
cerca de las respectivas medias metaanalíticas. Para probar formalmente la asimetría del embudo (cf. Stanley &
Doucouliagos, 2014), hicimos una regresión de la precisión con respecto a las estimaciones de comunalidad, con y sin
ponderación por precisión. Para el nivel de comunalidad, los valores de p para las regresiones ponderadas y no
ponderadas fueron 0,298 y 0,759, respectivamente. Para la comunalidad de la pendiente, los valores de p para las
Autor Manuscrito
regresiones ponderadas y no ponderadas fueron 0,486 y 0,271, respectivamente. Por lo tanto, no hubo evidencia de que
las estimaciones del tamaño del efecto estuvieran asociadas sistemáticamente con las precisiones con las que se
Lo siguiente que nos interesó fue hasta qué punto la dimensión común del cambio correspondía a la
dimensión común de los niveles. Dicho de otra manera, estábamos interesados en saber si el nivel de
comunalidad de esa variable predecía el grado en que la pendiente de comunalidad para una variable
dada. Para lograr esto, ajustamos un modelo de metarregresión de dos niveles con comunalidades de
nivel como variable independiente y comunalidades de pendiente como variable dependiente,
ponderado por las ponderaciones y disminuciones de precisión de la variable dependiente, y permitiendo
Autor Manuscrito
una intersección de regresión aleatoria, una regresión aleatoria. pendiente y una covarianza de
pendiente de intersección. El coeficiente de regresión no estandarizado (efecto fijo) fue de 0,620 (SE =
0,129, p <0,0005). Para dar un mayor sentido a esta correspondencia, la correlación ponderada entre el
vector de comunas de nivel y el vector de comunas de pendiente fue r=. 488. Cuando los vectores
correlacionados contenían cargas (es decir, la raíz cuadrada de las comunalidades), en lugar de
comunalidades, la correlación ponderada aumentó a 0,507. En el panel superior de la Figura 5 se
proporciona un diagrama de dispersión de la asociación entre comunales de nivel y comunales de
pendiente.
Como enfoque alternativo para indexar la correspondencia entre los factores de cambio y nivel, calculamos los
coeficientes de congruencia de Tucker (Lorenzo-Seva y ten Berge, 2006), que están en la misma escala que un
coeficiente de correlación (-1 a +1). Mientras que el coeficiente de correlación, que indexa la correspondencia
Autor Manuscrito
entre el orden relativo de las cargas factoriales entre soluciones, el coeficiente de congruencia además tiene en
cuenta las magnitudes absolutas de las cargas factoriales. El coeficiente de congruencia no ponderado que
representa la congruencia de las estructuras de nivel y pendiente fue .968. Cuando se ponderó utilizando tanto
las estimaciones de precisión de la pendiente como las ponderaciones reducidas, el coeficiente de congruencia
aumentó a 0,982. Estos valores tan grandes reflejan el hecho de que, además de mostrar ordenamientos
relativos similares, las cargas de los factores de nivel y pendiente fueron muy similares en sus magnitudes
reflejado en el análisis anterior que indica que las estimaciones metaanalíticas para la pendiente media y las
Autor Manuscrito
Era posible que las similitudes de las estructuras de nivel y pendiente derivaran de la heterogeneidad en las características a nivel de muestra (por ejemplo, calidad de la medición, selección de
variables, composición de los participantes) que afectan las estimaciones de comunalidad, y en realidad no reflejaban hasta qué punto las comunalidades de nivel y pendiente correspondía a
variables individuales dentro de un estudio determinado. Para probar esta posibilidad, volvimos a ejecutar el modelo de metarregresión de dos niveles con comunalidades de nivel como variable
independiente y comunalidades de pendiente como variable dependiente, centrando primero las estimaciones de comunalidad de nivel dentro de la muestra. El coeficiente de regresión no
estandarizado (efecto fijo) de este análisis fue 0,708 (SE = 0,167, p<0,0005), incluso mayor que los del análisis anterior de datos no centrados. lo que indica que las comunalidades de nivel y pendiente
de hecho tendieron a corresponder para variables individuales dentro de cada estudio. Además, la correlación ponderada entre el vector de comunas de nivel y el vector de comunas de pendiente,
ambos centrados dentro de la muestra, fue r=.486. Cuando los vectores correlacionados contenían cargas (es decir, la raíz cuadrada de las comunalidades), centradas dentro de la muestra, la
correlación ponderada fue r=0,462. En el panel inferior de la Figura 5 se proporciona un diagrama de dispersión de la asociación entre las comunalidades de nivel centrado y las comunalidades de
pendiente centrada. Tenga en cuenta que debido a que el centrado elimina información sobre la magnitud absoluta de la carga factorial, los coeficientes de congruencia de Tucker no se pueden
calcular a partir de los datos centrados. . la correlación ponderada entre el vector de comunas de nivel y el vector de comunas de pendiente, ambos centrados dentro de la muestra, fue de r=.486.
Cuando los vectores correlacionados contenían cargas (es decir, la raíz cuadrada de las comunalidades), centradas dentro de la muestra, la correlación ponderada fue r=0,462. En el panel inferior de
Autor Manuscrito
la Figura 5 se proporciona un diagrama de dispersión de la asociación entre las comunalidades de nivel centrado y las comunalidades de pendiente centrada. Tenga en cuenta que debido a que el
centrado elimina información sobre la magnitud absoluta de la carga factorial, los coeficientes de congruencia de Tucker no se pueden calcular a partir de los datos centrados. . la correlación
ponderada entre el vector de comunas de nivel y el vector de comunas de pendiente, ambos centrados dentro de la muestra, fue de r=.486. Cuando los vectores correlacionados contenían cargas (es
decir, la raíz cuadrada de las comunalidades), centradas dentro de la muestra, la correlación ponderada fue r=0,462. En el panel inferior de la Figura 5 se proporciona un diagrama de dispersión de la
asociación entre las comunalidades de nivel centrado y las comunalidades de pendiente centrada. Tenga en cuenta que debido a que el centrado elimina información sobre la magnitud absoluta de
la carga factorial, los coeficientes de congruencia de Tucker no se pueden calcular a partir de los datos centrados. . centrada dentro de la muestra, la correlación ponderada fue r=.462. En el panel
inferior de la Figura 5 se proporciona un diagrama de dispersión de la asociación entre las comunalidades de nivel centrado y las comunalidades de pendiente centrada. Tenga en cuenta que debido a que el centrado elimina información sobre la m
A continuación, nos interesó obtener estimaciones medias condicionales para las comunalidades de nivel y
pendiente en cada uno de los diversos dominios de capacidad cognitiva que se midieron en los estudios
individuales. Para obtener estas estimaciones, ajustamos metarregresiones separadas a las comunalidades de
Autor Manuscrito
nivel y pendiente asociadas con los 98 resultados en el conjunto de datos con predictores codificados por efectos
que representan seis de los dominios de capacidad cognitiva (memoria episódica, memoria de trabajo, capacidad
omitida como grupo base (cf. Cohen, Cohen, West y Aiken, 2003). Luego, los coeficientes de cada uno de los
predictores se combinaron con las intersecciones de regresión utilizando el método delta (Ver Hoef, 2012) para
producir las estimaciones de la media condicional para las comunalidades de nivel y pendiente en cada dominio
de capacidad cognitiva. Las metarregresiones se ponderaron por la precisión respectiva de las variables
dependientes (las estimaciones de comunalidad individual) y por el número inverso de tamaños del efecto
aportados por el conjunto de datos asociado. Para probar si las estimaciones de comunalidad diferían entre
dominios, evaluamos la disminución en el ajuste asociada con restringir los seis parámetros de regresión a cero.
En otras palabras, tanto para las comunalidades de nivel como para las comunalidades de pendiente,
comparamos el ajuste de un modelo en el que a cada uno de los siete dominios de capacidad cognitiva se le
Autor Manuscrito
permitía tener su propia comunalidad media con uno en el que la comunalidad media estaba restringida a ser
Los resultados se presentan en la Tabla 2. El nivel medio de comunalidades osciló entre 0,491 para la memoria episódica y
0,704 para el razonamiento. Las estimaciones de comunalidad de la pendiente media oscilaron entre 0,320 para la pendiente
de la memoria prospectiva y 0,684 para la pendiente de la capacidad espacial. Restringiendo todos los niveles
las estimaciones de comunalidad que eran invariantes entre habilidades dieron como resultado una pérdida significativa
Autor Manuscrito
de ajuste del modelo, χ2(6) = 32,454, p < ,0005. Restringir todas las estimaciones de comunalidad de la pendiente para que
sean invariantes entre habilidades también resultó en una pérdida significativa de ajuste del modelo, χ2(6) = 15,914, p =
,014. Estos resultados indican que las estimaciones de comunalidad diferían entre los dominios de capacidad cognitiva.
Contrastes post-hoc individuales (sin corregir por descubrimiento falso) entre las habilidades específicas nivelLas
comunalidades y la media general simple indicaron que la memoria episódica y la memoria de trabajo tenían
estimaciones de nivel de comunidad significativamente más bajas que la estimación de la media general en todos los
dominios, y el razonamiento tenía una estimación de nivel de comunidad significativamente más alta que la estimación de
la media general. Contrastes individuales post-hoc (tampoco corregidos por descubrimiento falso) entre las habilidades
razonamiento tenían estimaciones de pendiente de comunalidad significativamente más altas que la estimación de la
media general. Sin embargo, tenga en cuenta que debido a la variabilidad en el número de tamaños del efecto asociados
con los dominios individuales, los niveles de significancia no se corresponden estrechamente con los tamaños del efecto.
Autor Manuscrito
La Figura 6 es un diagrama de ruta que representa los resultados clave de los análisis de dominios específicos.
Este diagrama de ruta representa un único factor común de niveles y un único factor común de pendientes, con
niveles y pendientes de los siete dominios de capacidad cognitiva individuales que se cargan en los factores
respectivos. Superpuestas a los caminos desde los factores comunes a los dominios individuales se encuentran
cargas estandarizadas, que se calculan como la raíz cuadrada de las estimaciones de comunalidad específicas
del dominio.
A continuación, nos interesó obtener estimaciones medias condicionales para las tasas
medias de cambio longitudinal en cada uno de los dominios de capacidad. Para obtener
estas estimaciones, ajustamos metarregresiones separadas a las comunalidades de
Autor Manuscrito
Los resultados se presentan en la parte inferior de la Tabla 2. El cambio medio fue de -0,045 desviaciones estándar por
año en promedio en todas las capacidades. La velocidad de procesamiento mostró caídas particularmente pronunciadas,
con una estimación media de −0,068 desviaciones estándar por año. Por el contrario, el conocimiento verbal mostró
Autor Manuscrito
descensos particularmente superficiales, con una estimación media de -0,019 desviaciones estándar por año. La
estimación del cambio en la memoria de trabajo también fue superficial, pero debido a que esta estimación solo se
derivó de un tamaño del efecto, es poco probable que sea muy confiable. Restringir todas las estimaciones de la media
de la pendiente para que sean invariantes entre las habilidades resultó en una pérdida significativa de ajuste del modelo,
χ2(5) = 27,256, p = 0,0001. Los contrastes individuales indicaron que la velocidad de procesamiento, la capacidad espacial
que la estimación de la media general en todos los dominios, y el conocimiento verbal mostró una disminución significativamente
Autor Manuscrito
Luego probamos una serie de moderadores adicionales de las estimaciones del tamaño del efecto tanto para la comunalidad de pendiente como para la
comunalidad de nivel. Estábamos particularmente interesados en las versiones estática y dinámica de la hipótesis de desdiferenciación de edad, que
predicen respectivamente comunalidades de nivel crecientes y comunalidades de pendiente crecientes con la edad. Una consideración importante para
probar estas hipótesis tiene que ver con cómo se parametrizaron los coeficientes base para las pendientes de la curva de crecimiento. Centrar en relación con
una constante (por ejemplo, restar 65 años) cambia la interpretación de los niveles de la curva de crecimiento, pero no cambia la interpretación de las
pendientes de la curva de crecimiento (Biesanz et al., 2004). Por lo tanto, las diferencias relacionadas con la edad en la estructura de covarianza de los niveles
dependen de la edad en la que se centran los coeficientes básicos. mientras que las diferencias relacionadas con la edad en la estructura de covarianza de las
pendientes dependen de la composición por edad de la muestra, pero no de la edad en la que se centran los coeficientes base. Por lo tanto, la prueba más
apropiada de la hipótesis de la desdiferenciación estática implica probar la edad en el nivel como moderador, mientras que la prueba más apropiada de la
Autor Manuscrito
hipótesis de la desdiferenciación dinámica implica probar la composición de edad real de la muestra como moderadora. Como índice de la composición por
edades de la muestra, nos basamos en la edad media inicial. mientras que la prueba más apropiada de la hipótesis de la desdiferenciación dinámica implica
probar la composición de edad real de la muestra como moderadora. Como índice de la composición por edades de la muestra, nos basamos en la edad
media inicial. mientras que la prueba más apropiada de la hipótesis de la desdiferenciación dinámica implica probar la composición de edad real de la
muestra como moderadora. Como índice de la composición por edades de la muestra, nos basamos en la edad media inicial.
La moderación por edad se estimó con modelos de metarregresión de dos niveles con comunalidades
como variable dependiente, ponderados por las ponderaciones y disminuciones de precisión de la
variable dependiente, y permitiendo una intersección de regresión aleatoria. Como la edad media al
inicio del estudio es una característica entre muestras, no estimamos las pendientes de regresión
aleatoria. Los resultados se presentan en la parte superior de la Tabla 3. No encontramos evidencia
Autor Manuscrito
consistente con la hipótesis estática de desdiferenciación por edad. Tanto la edad en el nivel como la
edad media al inicio del estudio no estaban relacionadas con las comunalidades del nivel (b = 0,001, SE
= 0,002, p=0,587; b= 0,000, SE = 0,002, p=0,911, respectivamente). Sin embargo, encontramos evidencia
considerable a favor de la hipótesis de la desdiferenciación dinámica de la edad. La edad media al inicio
del estudio se relacionó positivamente con las comunalidades de la pendiente (b = 0,005, SE = 0,002, p =
0,001). Como se esperaba,
Para visualizar mejor la moderación de las comunalidades de la pendiente por edad, generamos un diagrama de
dispersión de la relación entre la edad media al inicio y las comunalidades de la pendiente, y la metarregresión
implicó una relación lineal entre estas dos variables. Este gráfico se puede encontrar en el panel izquierdo de la
Figura 7. Según el modelo de metarregresión de dos niveles, las comunalidades de pendiente media
Autor Manuscrito
como se puede observar, hubo muy pocos puntos de datos asociados con edades iniciales promedio inferiores a
50 años. Para garantizar que la asociación entre la edad inicial media y las comunalidades de la pendiente no
estuviera impulsada simplemente por el alto apalancamiento ejercido por estos puntos de datos, volvimos a
ejecutar el modelo de metarregresión incluyendo únicamente los tamaños del efecto asociados con edades
idénticos (b = 0,004, SE = 0,002, p= 0,013) a los obtenidos de los análisis de toda la muestra
metaanalítica (b = 0,005, SE = 0,002, p = 0,001).
Autor Manuscrito
Otros moderadores evaluados incluyeron el desfase temporal del estudio longitudinal, el número de ondas, si el análisis
estadístico fue un modelo de puntuación de diferencia latente o un modelo de curva de crecimiento latente, si se midió
una capacidad cognitiva amplia o estrecha y si el cambio fue modelado. como si ocurriera en función de la edad o el
tiempo. Las estimaciones de parámetros, los errores estándar y los valores de p se presentan en la Tabla 3. Puede verse
que ninguno de estos moderadores se relacionó significativamente con las estimaciones de nivel de comunalidad. Dos
moderadores estuvieron significativamente relacionados con las comunas de la pendiente. En primer lugar, las
comunalidades de pendiente derivadas de los modelos de puntuación de diferencias latentes tendían a ser más bajas que
las obtenidas a partir de los modelos de curva de crecimiento. En segundo lugar, las comunalidades de pendiente para
habilidades amplias tendían a ser más altas que las de medidas específicas.
Finalmente, probamos si la tasa media de cambio en una variable estaba relacionada con su nivel o pendiente de
Autor Manuscrito
estimación de comunalidad. Se podría esperar que las diferencias individuales en los cambios en las variables que
exhiben un mayor cambio medio se compartan más fuertemente con las diferencias individuales en los cambios con
otras variables. Este no era el caso. La tasa media de cambio en una variable no estaba relacionada ni con su pendiente
ni con su nivel de comunalidad. En otras palabras, las variables que exhibieron tasas medias más pronunciadas de
disminución longitudinal relacionada con el envejecimiento no tenían más probabilidades de compartir diferencias
modelo simultáneo. Por lo tanto, ajustamos un modelo de metarregresión de dos niveles en el que se nivelan las
comunalidades, la edad media al inicio del estudio, si se utilizó un modelo de puntuación de diferencia latente
(frente a la curva de crecimiento), si el resultado fue una capacidad amplia (frente a una medida específica) y los
Autor Manuscrito
indicadores codificados por efectos de los dominios de capacidad cognitiva fueron predictores de las
comunalidades de pendiente. Los modelos se ponderaron por la precisión respectiva de la variable dependiente
y por el número inverso de tamaños del efecto aportados por el conjunto de datos asociado. Para mantener la
coherencia con los análisis univariados descritos anteriormente, permitimos una intersección aleatoria, una
pendiente aleatoria para el efecto de regresión de las comunalidades de nivel sobre las comunalidades de
pendiente,
Las estimaciones de los parámetros del análisis simultáneo se presentan en la Tabla 4. El nivel de comunalidad y la
edad media al inicio del estudio siguieron siendo moderadores significativos de las comunalidades de pendiente. Ya
no eran predictores significativos si las comunalidades de pendiente se derivaban de puntajes de diferencia latente
versus modelos de cura de crecimiento y si las comunalidades de pendiente eran para habilidades amplias versus
estrechas.
Autor Manuscrito
El conjunto de datos más restrictivo que solo contenía tamaños del efecto de estudios en los que el estado de demencia
se controló cuidadosamente contenía 49 tamaños del efecto que representaban la varianza compartida en el cambio en
49 resultados de 9 muestras únicas. Como el conjunto de datos más restrictivo no contenía enfoques bivariados (todos
eran multivariados), el número de estimaciones de la varianza compartida total es igual al número de variables totales.
Todas las estimaciones provienen de modelos de curva de crecimiento. En las 49 estimaciones de varianza compartida, la
de 35,42 años a 84,92 años, con una mediana de 64,90, una media de 67,01 años y una desviación estándar de
Autor Manuscrito
12,92 años. De los 49 resultados analizados, 12 indexaron Velocidad de Procesamiento, 17 indexaron Memoria
Probamos si la asociación informada anteriormente entre la edad media al inicio del estudio y la comunidad de la
pendiente persistía en este conjunto de datos más restrictivo que solo contenía tamaños del efecto de estudios en los
que la demencia estaba cuidadosamente controlada. En un modelo de metarregresión de dos niveles, ponderado por las
de regresión aleatoria, la edad media al inicio del estudio se relacionó positivamente con las comunalidades de la
pendiente (b=0,007, SE=0,001, p <.0005; los resultados de la muestra completa informados anteriormente fueron: b =
.005, SE = .002, p = .001). Además, cuando volvimos a ejecutar el modelo de metarregresión incluyendo únicamente los
tamaños del efecto asociados con edades iniciales medias superiores a 50 años, los resultados fueron casi idénticos (b =
Autor Manuscrito
0,008, SE = 0,002, p < 0,0005). El panel derecho de la Figura 7 proporciona un diagrama de dispersión de la relación entre
la edad media en la línea de base y las comunidades de pendiente, y la asociación lineal implícita en la metarregresión. El
hecho de que este patrón dinámico de desdiferenciación de aumentos relacionados con la edad en la varianza
compartida del cambio estuviera presente en este conjunto de datos más restrictivo indica que el patrón no es un simple
Discusión
Las teorías de factores comunes sobre el envejecimiento cognitivo humano han
sido populares desde hace algún tiempo. Los enfoques transversales para probar
tales teorías, si bien son capaces de capturar información sobre las tendencias de
edad media superpuestas, no pueden medir directamente hasta qué punto las
Autor Manuscrito
Un hallazgo principal de este metanálisis es que las diferencias individuales en los cambios longitudinales en
Autor Manuscrito
diferentes capacidades cognitivas están correlacionadas entre sí de moderada a fuerte. Un modelo en el que las
diferencias individuales en los cambios cognitivos longitudinales se especifican para cargarse en un factor de
cambio común indica que un promedio del 60% de la varianza en los cambios cognitivos relacionados con el
envejecimiento se explica por el factor común. Esta estimación relativamente alta indica que los individuos que
disminuyen precipitadamente, por ejemplo, en la velocidad de procesamiento en relación con sus pares,
también es probable que disminuyan precipitadamente, por ejemplo, en el razonamiento y la memoria episódica
en relación con sus pares. Además, aunque el conocimiento verbal exhibió tasas medias relativamente bajas de
cambio longitudinal, Las diferencias individuales en el conocimiento verbal cambian cargadas junto con las
diferencias individuales en los cambios en otras habilidades cognitivas. Esto indica que los individuos que
muestran una mayor disminución en una capacidad cognitiva que muestra una fuerte disminución media tienen
menos probabilidades de mostrar un cambio positivo o estabilidad en el conocimiento verbal, para lo cual la
Sorprendentemente, la magnitud de la variación en la capacidad cognitivanivelesque se explicó por un factor de inteligencia general fue del 56%, extremadamente similar a la proporción de varianza
compartida en las tasas decambiar. Además, hubo una correspondencia de moderada a fuerte entre la carga de una variable en el factor de inteligencia general y el grado en que los cambios en esa
variable cargaron en un factor de cambio cognitivo general. Cuando se indexó con un coeficiente de correlación, que cuantifica el orden relativo de las estimaciones de comunalidad entre
indicadores, la correspondencia entre las comunalidades de nivel y pendiente fue moderada (r=.49). Cuando se indexó con un coeficiente de congruencia, que toma en cuenta las magnitudes
absolutas de las estimaciones de comunalidad además de sus ordenamientos relativos, esta correspondencia fue fuerte (coeficiente de congruencia = .98). La correspondencia positiva entre las
comunalidades de nivel y pendiente fue evidente incluso dentro de conjuntos de datos (es decir, incluso después de centrar las estimaciones en medias de comunalidad específicas del estudio), lo
que sugiere que no es un artefacto de fuentes no observadas de heterogeneidad entre estudios (por ejemplo, la composición demográfica de los participantes o aspectos específicos del diseño
longitudinal) que podrían afectar sistemáticamente las cargas factoriales. Sin embargo, es importante destacar que las diferencias en las estimaciones de comunalidad entre las clasificaciones de
dominios de capacidad cognitiva fueron bastante pequeñas, y no hubo una correspondencia aparente entre las estimaciones de comunalidad del nivel medio y la pendiente entre las clasificaciones
de dominio. Por lo tanto, la asociación positiva entre las estimaciones de comunalidad de nivel y pendiente para variables de estudio individuales puede no estar impulsada por la correspondencia de
los tamaños del efecto dentro de los dominios, sino que puede ser atribuible a otras características de las variables, como su validez de constructo o aspectos de medición. la composición
demográfica de los participantes o aspectos específicos del diseño longitudinal) que podrían afectar sistemáticamente las cargas factoriales. Sin embargo, es importante destacar que las diferencias
Autor Manuscrito
en las estimaciones de comunalidad entre las clasificaciones de dominios de capacidad cognitiva fueron bastante pequeñas, y no hubo una correspondencia aparente entre las estimaciones de
comunalidad del nivel medio y la pendiente entre las clasificaciones de dominio. Por lo tanto, la asociación positiva entre las estimaciones de comunalidad de nivel y pendiente para variables de
estudio individuales puede no estar impulsada por la correspondencia de los tamaños del efecto dentro de los dominios, sino que puede ser atribuible a otras características de las variables, como su
validez de constructo o aspectos de medición. la composición demográfica de los participantes o aspectos específicos del diseño longitudinal) que podrían afectar sistemáticamente las cargas
factoriales. Sin embargo, es importante destacar que las diferencias en las estimaciones de comunalidad entre las clasificaciones de dominios de capacidad cognitiva fueron bastante pequeñas, y no
hubo una correspondencia aparente entre las estimaciones de comunalidad del nivel medio y la pendiente entre las clasificaciones de dominio. Por lo tanto, la asociación positiva entre las
estimaciones de comunalidad de nivel y pendiente para variables de estudio individuales puede no estar impulsada por la correspondencia de los tamaños del efecto dentro de los dominios, sino que
puede ser atribuible a otras características de las variables, como su validez de constructo o aspectos de medición. Las diferencias en las estimaciones de comunalidad entre las clasificaciones de
dominio de capacidad cognitiva fueron bastante pequeñas, y no hubo una correspondencia aparente entre las estimaciones de comunalidad del nivel medio y la pendiente entre las clasificaciones de dominio. Por lo tanto, la asociación positiva ent
Es útil comparar los resultados del metanálisis actual con los obtenidos de tres estudios que no se incluyeron en el
metanálisis debido a la falta de disponibilidad de la información necesaria para calcular las ponderaciones de precisión.
Autor Manuscrito
Por lo tanto, estos tres estudios pueden tratarse como oportunidades para la validación cruzada fuera de la muestra
metaanalítica. Primero, Christensen et al. (2010) y Hofer et al. (2002) estimaron correlaciones entre las pendientes de la
curva de crecimiento longitudinal para medidas cognitivas en el Longitudinal de Canberra. Christensen et al. (2010)
reportan correlaciones de .42 para pendiente de memoria-pendiente de tiempo de reacción, .71 para pendiente de
de procesamiento. Hofer et al. (2002) reportan de manera similar correlaciones de 0,67 para la pendiente de la memoria-
pendiente verbal, 0,65 para la pendiente de la memoria y la pendiente de la velocidad, y . 46 para pendiente verbal-
estimación media del 60% de la varianza compartida en el cambio del metanálisis actual. En segundo lugar, Anstey et al. (2003) informaron una correlación entre las pendientes de la curva de
Autor Manuscrito
crecimiento para la memoria y la velocidad de procesamiento de 0,62 en un modelo no ajustado y de 0,50 en un modelo que excluía a individuos con posible deterioro cognitivo y ajustaba para una
serie de covariables. Nuevamente, estas estimaciones son muy similares a las del metanálisis actual. En tercer lugar, el análisis de datos longitudinales del Estudio de Órdenes Religiosas de Wilson et
al. (2002) fue de calidad particularmente alta. Wilson y cols. (2002) utilizaron modelos de curva de crecimiento (coeficiente aleatorio) para producir una matriz de correlación de diferencias
individuales en pendientes longitudinales para siete variables cognitivas diferentes, incluidas medidas de memoria de trabajo, capacidad visoespacial, velocidad de percepción, fluidez, memoria
episódica, y conocimiento verbal. Wilson et al (2002) encontraron que un único componente principal explicaba el 61,6% de la varianza en las diferencias individuales en los cambios cognitivos, una
estimación sorprendentemente cercana a la estimación del 60% de la varianza compartida en el cambio cognitivo obtenida en el metanálisis actual. Es importante destacar que el análisis de Wilson
et al. (2002) encontró que esta proporción era casi idéntica (61,8%) después de tener en cuenta los efectos de la práctica. Un puñado de otros estudios (por ejemplo, Tucker-Drob, 2011a; Ferrer,
Salthouse, McArdle y Stewart, 2005) también han informado que la varianza compartida entre los cambios relacionados con el envejecimiento persiste después de controlar los efectos de la práctica.
Sin embargo, debido a que la mayoría de los estudios no incluyeron información suficiente sobre el papel de los efectos de la práctica, no estábamos bien posicionados para probar formalmente su
papel en el metanálisis actual. Wilson et al (2002) encontraron que un único componente principal explicaba el 61,6% de la varianza en las diferencias individuales en los cambios cognitivos, una
estimación sorprendentemente cercana a la estimación del 60% de la varianza compartida en el cambio cognitivo obtenida en el metanálisis actual. Es importante destacar que el análisis de Wilson
et al. (2002) encontró que esta proporción era casi idéntica (61,8%) después de tener en cuenta los efectos de la práctica. Un puñado de otros estudios (por ejemplo, Tucker-Drob, 2011a; Ferrer,
Autor Manuscrito
Salthouse, McArdle y Stewart, 2005) también han informado que la varianza compartida entre los cambios relacionados con el envejecimiento persiste después de controlar los efectos de la práctica.
Sin embargo, debido a que la mayoría de los estudios no incluyeron información suficiente sobre el papel de los efectos de la práctica, no estábamos bien posicionados para probar formalmente su
papel en el metanálisis actual. Wilson et al (2002) encontraron que un único componente principal explicaba el 61,6% de la varianza en las diferencias individuales en los cambios cognitivos, una
estimación sorprendentemente cercana a la estimación del 60% de la varianza compartida en el cambio cognitivo obtenida en el metanálisis actual. Es importante destacar que el análisis de Wilson
et al. (2002) encontró que esta proporción era casi idéntica (61,8%) después de tener en cuenta los efectos de la práctica. Un puñado de otros estudios (por ejemplo, Tucker-Drob, 2011a; Ferrer,
Salthouse, McArdle y Stewart, 2005) también han informado que la varianza compartida entre los cambios relacionados con el envejecimiento persiste después de controlar los efectos de la práctica. Sin embargo, debido a que la mayoría de los est
Debido a que el factor general de las diferencias individuales en las capacidades cognitivas es
moderadamente estable a partir de la niñez media (Deary, 2014; Humphreys & Davey, 1988; Tucker-Drob
& Briley, 2014), las diferencias individuales estáticas enadultoLas capacidades cognitivas pueden reflejar
sustancialmente procesos que se han desarrollado durante el desarrollo infantil. Por lo tanto, el hallazgo
de factores comunes de niveles y pendientes igualmente fuertes sugiere indirectamente que el deterioro
cognitivo puede operar en una dimensión general similar a la del desarrollo cognitivo. Como Juan-
Autor Manuscrito
Espinosa et al. (2002) han sugerido que la estructura de los cambios en las capacidades cognitivas a lo
largo de la vida puede ser invariante de la misma manera que la estructura de los cambios en la
anatomía humana es invariante: así como el crecimiento y la contracción de los huesos humanos
relacionados con la edad están organizados por las estructuras anatómicas. En la estructura del
esqueleto humano, las diferencias individuales en las capacidades cognitivas humanas pueden tener una
estructura inherente a lo largo de la cual ocurren naturalmente el crecimiento y el declive (ver también
Baltes et al., 2006; Reinert, 1970; Schaie, 1962; Tetens, 1777; Werner, 1948) . De acuerdo con esta
propuesta, Rhemtulla y Tucker-Drob (2011) informaron evidencia de un factor general de cambios
longitudinales en los dominios cognitivo, psicomotor y preacadémico en más de 8.000 niños seguidos
entre las edades de 3 y 7 años. Además, Tucker-Drob (2009) informó evidencia consistente de un factor
de inteligencia general en el rango de edad de 4 a 101 años. Gignac (2014) informó resultados similares
en el rango de edad de 2,5 a 90 años. Cheung, Harden y Tucker-Drob (2015) encontraron evidencia
Autor Manuscrito
consistente de un factor de inteligencia general en el rango de 0 a 6 años. Además, Cheung et al. (2015)
encontraron que el factor de inteligencia general, pero no los factores específicos de dominio, se volvían
cada vez más hereditarios con la edad, lo que sugiere que una arquitectura genética “generalista” (Kovas
& Plomin,
Los presentes hallazgos añaden una matización importante a las teorías de dos componentes del
desarrollo intelectual adulto (Kühn & Lindenberger, 2016; Lindenberger, 2001; Tetens, 1777),
como la teoría de Cattell-Horn de la inteligencia fluida y cristalizada (teoría Gf/Gc; Cattell, 1971; Horn, 1989) o la
Autor Manuscrito
teoría de la cognición mecánica versus pragmática (Baltes, 1987). Estas teorías se basan en la observación de que
las capacidades cognitivas divergen en sus asociaciones con la edad, reflejando presumiblemente diferencias en
la importancia relativa de las influencias biológicas y culturales. En este metanálisis, replicamos el patrón bien
el razonamiento. A pesar de estas pronunciadas diferencias en los patrones de deterioro medio, las siete
capacidades cognitivas, incluido el conocimiento verbal, mostraron cargas fuertes y bastante uniformes en un
factor de cambio común. En efecto, no se encontró ninguna indicación de que el cambio medio en un resultado
estuviera relacionado con el grado en que las diferencias individuales en el cambio en ese resultado se
compartían con otros resultados. Lo que esto significa es que las personas quedisminuir menosen habilidades
relación con los demás. En otras palabras, a pesar de las diferencias relativamente marcadas entre las
habilidades mecánicas y pragmáticas en sus patrones de disminución media relacionada con el envejecimiento,
Autor Manuscrito
las diferencias individuales en los cambios longitudinales en las habilidades mecánicas y pragmáticas estaban
moderadamente acopladas. Metodológicamente, este hallazgo añade peso a la afirmación de que los métodos
transversales, que están dominados por la contribución de las diferencias de capacidad en las tendencias de la
edad media, no reflejan adecuadamente las implicaciones de los modelos que involucran covarianza de cambio
(Hofer y Sliwinski, 2001; Kalveram 1965). ; Lindenberger et al., 2011; Lindenberger y Pötter, 1998).
El hallazgo de que la edad inicial media mayor se asoció con comunalidades de pendiente es consistente
con lo que se ha denominado laHipótesis de desdiferenciación dinámica.Motivados por una teoría de
restricción general de la neurodegeneración y el deterioro cognitivo, de Frias et al. (2007), predijeron este
patrón preciso de aumento de la varianza compartida en el cambio a medida que avanza la edad adulta.
En el conjunto de datos metanalíticos, el patrón de desdiferenciación dinámica fue apreciable. Según el
Autor Manuscrito
modelo de moderación lineal que ajustamos, la pendiente media esperada de comunalidad a los 35 años
es del 42%, aumentando al 72% a los 85 años. Este resultado es consistente con la hipótesis de que “un
conjunto de fuentes comunescada vez másdomina el desarrollo de las capacidades intelectuales” (de
Frias et al., 2007, p. 382).
Por el contrario, no encontramos evidencia que respalde lahipótesis de desdiferenciación estática, que
predice que las fuentes globales de cambio deberían dar lugar a una varianza compartida cada vez mayor
entre los niveles de capacidad a medida que avanza la edad adulta (cf. Tucker-Drob, 2009; Hofer y
Sliwinski, 2001). En otras palabras, ni la edad media al inicio ni la edad al nivel se asociaron con las
comunalidades de nivel. Se predice que surgirán correlaciones crecientes entre las diferencias
individuales estáticas con la edad cuando la varianza compartida en el cambio sea mayor que la varianza
compartida en los niveles. Aquí encontramos que estas proporciones son casi idénticas. Esto puede
Autor Manuscrito
explicar por qué parece que la estructura de covarianza de las diferencias individuales es estacionaria u
homeostática durante gran parte de la edad adulta. Sin embargo, particularmente a la luz de la evidencia
positiva de la desdiferenciación dinámica, es posible que si se hubieran incluido más muestras con
grandes proporciones de personas mayores,
Una limitación necesaria del conjunto de datos metanalíticos es que diferentes estudios emplearon
diferentes modalidades para medir los constructos y modelar el cambio a lo largo del tiempo. Algunos
estudios emplearon modelos de curva de crecimiento mientras que otros emplearon diferencias latentes.
modelos de puntuación. Aquellos que emplearon modelos de curva de crecimiento diferían entre sí en su
Autor Manuscrito
codificación del tiempo (por ejemplo, si se supone que el cambio ocurre en función de la edad en el momento
de la medición o del tiempo desde la medición inicial), y en si incluían componentes no lineales (por ejemplo,
cuadráticos) del cambio en además de componentes lineales. Probamos las diferencias en los tamaños del
efecto entre los enfoques basados en la edad y el tiempo como posibles moderadores. Sin embargo, habría
sido particularmente informativo si los estudios originales hubieran analizado los datos utilizando un conjunto
estandarizado de estrategias de modelado. De manera similar, los estudios difirieron tanto en las evaluaciones
específicas utilizadas como en las habilidades cognitivas medidas. Para abordar esto, restringimos el conjunto
de datos metanalíticos solo a aquellos efectos que representaban asociaciones entre (y no dentro) de los
dominios de capacidad cognitiva. Según el teorema de la “indiferencia del indicador” de Spearman (1927),
siempre que se utilice un conjunto suficientemente diverso de medidas cognitivas (Little, Lindenberger y
Nesselroade, 1999), el mismo factor latente puede triangularse entre diferentes conjuntos de indicadores.
medidas. Este teorema ha sido validado empíricamente (Johnson, Bouchard, Krueger, McGue y Gottesman,
2004).
Autor Manuscrito
Es importante reiterar nuestra afirmación anterior en este artículo de que el hallazgo de que un solo factor
común explica más de la mitad de la varianza en las diferencias individuales en los cambios relacionados con la
edad en diferentes capacidades cognitivas indica que una gran proporción de variación en el envejecimiento
cognitivo puede estar organizado por una única dimensión cognitiva, pero no implica que sea probable una
única causa social, genética o neurobiológica del envejecimiento cognitivo. Ghisletta et al. (2012) escribió
“Si bien presentamos evidencia sólida de que la dimensionalidad del envejecimiento cognitivo es
baja, no podemos, basándonos en la evidencia conductual actual, sacar conclusiones sólidas sobre el
“Nuestro hallazgo de que una dimensión global puede explicar grandes proporciones de variación en
los cambios cognitivos relacionados con el envejecimiento en la edad adulta indica que el
múltiples variables, pero no indica que un solo La causa es responsable de los cambios globales. Es
muy posible, si no probable, que existan miles de causas genéticas y ambientales del envejecimiento
cognitivo. Lo que indican los hallazgos actuales es que... estas muchas causas tienden a operar en
niveles muy amplios para afectar muchas formas de cognición” (p. 164).
De hecho, para que el acoplamiento entre dominios entre los cambios cognitivos relacionados con el
envejecimiento documentados aquí represente una propiedad significativa del proceso de envejecimiento
hallazgo persistiera después de controlar por Variables socioeconómicas y médicas clave que se sabe que están
asociadas con las capacidades cognitivas. Una posible confusión importante que consideramos fue el estado de
demencia. Debido a que la demencia se asocia con un deterioro en múltiples capacidades cognitivas, era
concebible que los cambios correlacionados en las capacidades cognitivas fueran inducidos por diferencias
medias en las disminuciones entre los grupos dementes y no dementes (Harrington et al., 2018; aunque ver
Boyle et al., 2013 y Sibbett et al., 2018), pero no una característica más general de covariación entre deterioros
cognitivos dentro de los respectivos grupos. Nuestros análisis de sensibilidad indicaron que este no era el caso.
análisis en un conjunto de datos muy restringido que solo contenía estudios que excluían datos de ondas de personas en
Autor Manuscrito
las que había demencia presente, controlaban el estado de demencia como una covariable variable en el tiempo o
proporcionaban una estimación de una tasa baja de demencia en la muestra, el hallazgo clave del estudio cruzado.
-Persistió el acoplamiento de dominios entre los cambios cognitivos relacionados con el envejecimiento. De hecho, la
inspección de los resultados de cada uno de estos estudios individuales indica que el patrón general está presente en
cada estudio. Algunos estudios individuales incluyeron una gama más amplia de variables de control más allá de la
demencia y continuaron documentando evidencia de un factor general de cambio cognitivo relacionado con el
envejecimiento. Por ejemplo, Tucker-Drob (2011b) informó un acoplamiento sustancial entre los cambios relacionados con
controlar por edad, sexo, años de logro educativo, puntaje MMSE y niveles de desempeño de referencia. Tucker-Drob,
Briley y col. (2014) informaron de manera similar que la evidencia sólida de un factor general de cambio cognitivo
longitudinal persistió incluso después de controlar una serie de variables demográficas, de salud física y médicas
cuidadosamente medidas, incluido el volumen espiratorio forzado, el tiempo de caminata, la fuerza de agarre, el
Autor Manuscrito
tabaquismo, estado de enfermedad cardiovascular, estado de hipertensión, diagnóstico de diabetes, junto con el
coeficiente intelectual en la vida temprana, nivel educativo, sexo, edad y desfase temporal. Lindenberger y Ghisletta
(2009) informaron que después de controlar la edad, el tiempo transcurrido hasta la muerte y el riesgo de demencia, un
factor general de cambio pasó de representar el 60% de la varianza al 65% de la varianza en los cambios cognitivos. En
general entonces, la evidencia es muy consistente con la conclusión de que la estructura factorial del envejecimiento
cognitivo es más que un epifenómeno de un conjunto pequeño y obvio de variables de confusión simples. Más bien, un
factor común del cambio cognitivo puede ser una descripción más fundamental del proceso de envejecimiento cognitivo.
Incluso aceptando la conclusión de que los cambios cognitivos relacionados con el envejecimiento representan una propiedad significativa del proceso de envejecimiento
cognitivo, queda la pregunta de si el factor común del envejecimiento identificado en el metanálisis actual representa una entidad coherente que se ve directamente afectada
por factores biológicos y Factores etiológicos contextuales del envejecimiento cognitivo y afectan los cambios en los dominios cognitivos individuales. Una posibilidad
Autor Manuscrito
igualmente lógica es que el factor común de cambio represente una propiedad emergente de los procesos de sistemas dinámicos que ocurren más directamente entre factores
etiológicos y dominios de capacidad. En la Introducción a este artículo nos abstuvimos de tomar una postura sobre esta cuestión. Enfoques de sistemas complejos, como los
modelos de redes de teoría de grafos, para representar las interrelaciones entre las diferencias individuales en los cambios relacionados con el envejecimiento puede ser capaz
de presentar fielmente, o quizás incluso con mayor precisión, los patrones de interrelaciones de cambio que fueron capturados por el enfoque analítico factorial adoptado aquí
(cf. van der Maas et al., 2006 ). Al resumir patrones generales en redes complejas, se pueden utilizar métricas globales (Borsboom et al., 2011). En este sentido, los factores
comunes y las métricas de la red global capturan patrones generales de covarianza en los datos, al tiempo que eluden los matices. Creemos que ambos enfoques son útiles,
aunque imperfectos, en la medida en que transmiten los patrones más destacados y sólidos presentes en los datos. van der Maas et al., 2006). Al resumir patrones generales en
redes complejas, se pueden utilizar métricas globales (Borsboom et al., 2011). En este sentido, los factores comunes y las métricas de la red global capturan patrones generales
de covarianza en los datos, al tiempo que eluden los matices. Creemos que ambos enfoques son útiles, aunque imperfectos, en la medida en que transmiten los patrones más
destacados y sólidos presentes en los datos. van der Maas et al., 2006). Al resumir patrones generales en redes complejas, se pueden utilizar métricas globales (Borsboom et al.,
2011). En este sentido, los factores comunes y las métricas de la red global capturan patrones generales de covarianza en los datos, al tiempo que eluden los matices. Creemos
que ambos enfoques son útiles, aunque imperfectos, en la medida en que transmiten los patrones más destacados y sólidos presentes en los datos.
Autor Manuscrito
En resumen, encontramos que más de la mitad de la varianza en los cambios cognitivos se comparte entre las
capacidades cognitivas. Específicamente, la estimación metanalítica de la comunalidad promedio del cambio fue
del 60%, que es muy similar a la estimación del 56% para la varianza compartida en los niveles. Además,
encontramos que la varianza compartida en los cambios aumentó con la edad, de aproximadamente el 40% a los
fuerza en un análisis de sensibilidad basado en estudios que controlaron cuidadosamente la demencia. Estos
Autor Manuscrito
resultados en conjunto proporcionan evidencia sólida de un factor general del envejecimiento cognitivo que se
Material suplementario
Consulte la versión web en PubMed Central para obtener material complementario.
Agradecimientos:
Esta investigación fue financiada por la subvención R01AG054628 de los Institutos Nacionales de Salud (NIH). El Centro de Investigación de Población de la
Universidad de Texas cuenta con el apoyo de la subvención R24HD042849 de los NIH.
Aquí proporcionamos una descripción general de la base estadística de los estudios metaanalizados. Estos generalmente pueden
clasificarse como modelos multivariados de curvas de crecimiento y modelos multivariados de puntuación de diferencias latentes.
Un modelo de curva de crecimiento multivariado para un conjunto de resultados cognitivos medidos repetidamente a lo largo del
dóndeY[t]w, nes la puntuaciónYde personanorteen variableswen el momentot; iw, nes el nivel para personanorte en
Autor Manuscrito
variablesw;sw, nes la pendiente longitudinal de una personanorteen variablesw, ymi[t]w, nes una perturbación para la
crecimiento que definen la forma de los cambios longitudinales a lo largo del tiempo. En el caso común del modelado de
la curva de crecimiento lineal, estos coeficientes básicos se pueden establecer en la cantidad de tiempo (por ejemplo, en
años) que ha transcurrido entre la medición inicial (por ejemplo, la primera ola de evaluación) y cada evaluación posterior
de la persona.norteen la variable w, o se pueden establecer en la edad del individuonorteen cada evaluación de la variable
w(por ejemplo, en años, a menudo centrado en relación con una edad temprana significativa, por ejemplo, 21 años para
la edad adulta temprana o 65 años para el comienzo de la vejez). Para el modelado basado en el tiempo, es común que
los coeficientes básicosA[t] se especificará utilizando el tiempo promedio o objetivo entre oleadas de evaluación en lugar
de los desfases temporales específicos de cada persona. No es necesario especificar que los coeficientes de base sean
lineales en el tiempo o la edad. Los cambios longitudinales pueden representarse mejor como si ocurrieran de forma no
lineal, en cuyo caso los coeficientes de baseA[t] pueden especificarse como funciones no lineales de tiempo o edad.
Autor Manuscrito
También se pueden especificar pendientes adicionales de la curva de crecimiento, por ejemplo, pendientes que
representen componentes cuadráticos del cambio a lo largo del tiempo o efectos de nueva prueba, utilizando conjuntos
separados de coeficientes básicos. En el metanálisis actual, nos vimos limitados por las decisiones de modelado originales
de los autores de los estudios primarios (por ejemplo, si especificar coeficientes base como funciones de la edad o el
tiempo, o si incluir pendientes de la curva de crecimiento adicionales más allá de las que representan el cambio lineal). .5
resultados cognitivos tanto al inicio como en una única ola de seguimiento, se puede escribir de forma similar
línea de base y 1 para la ola de seguimiento; o para escalar la puntuación de diferencia en unidades anuales, 0 para la
línea de base y el número promedio o objetivo de años desde la línea de base para la ola de seguimiento), y λw,zes una
carga factorial invariante en el tiempo que relaciona la variable latentewal indicadorz.Como en el modelo de
es el cambio longitudinal a lo largo del tiempo para una personanorteen variablesw.Mientras que el error en el modelo
de la curva de crecimiento se separa del cambio verdadero en virtud de que se modela como una perturbación de una
función sistemática de cambio a lo largo del tiempo, el error en el modelo de puntaje de diferencia latente se separa
psicométricamente de los puntajes verdaderos al especificar que los indicadores son funciones de factor común.wy
errores específicos de indicadores específicos del tiempo,mi[t]w,z,n,que representan una combinación de variabilidad de
multivariado o un enfoque multivariado de puntuación de diferencia latente, se puede permitir que los niveles y
pendientes específicos de cada persona para cada variable covarícen libremente entre sí, de la siguiente manera:
Autor Manuscrito
σ2
i1,norte
σi σ2
1,norte,i2,norte i2,norte
⋮ ⋮ ⋱
σ ⋯ σ2
σi1,norte,yo,norte
yo,norte
i2,norte,yo,norte
cov(yo,norte,sudoeste,norte) = (A2a)
σi1,norte,s1,norte σ ⋯σ σ2
i2,norte,s1,norte yo,norte,s1,norte s1,norte
σ ⋯σ σ σ2
σi1,norte,s2,norte
i2,norte,s2,norte yo,norte,s2,norte s1,norte,s2,norte s2,norte
⋮ ⋮ ⋮ ⋮ ⋮ ⋱
⋯σyo,norte σ σ2
σi1,norte,sudoeste,norte σi2,norte,sudoeste,norte
, σs1,norte,sudoeste,norte
sudoeste,norte sudoeste,norte
s2,Nueva Gales del Sur,norte
Autor Manuscrito
5En el metanálisis actual se incluyó un pequeño número de artículos que especificaban curvas de crecimiento que incluían pendientes no lineales además de
pendientes lineales. Por ejemplo, Ghisletta et al. (2012) estimaron las pendientes de las curvas de crecimiento lineal y cuadrática, pero como las pendientes
cuadráticas no fueron significativas, no estimaron sus covarianzas entre habilidades. Además, tanto Ghisletta et al. (2012) y Tucker-Drob, 2011) estimaron pendientes
no lineales adicionales que representan efectos de la práctica, que no fueron un foco directo del metanálisis actual. Muchos estudios simplemente estimaron modelos
de curvas de crecimiento lineal. Por lo tanto, codificamos exclusivamente los datos relevantes de los componentes lineales de los cambios longitudinales.
Esta matriz de covarianza se puede escribir de manera más compacta como una matriz de covarianza conjunta de niveles y
Autor Manuscrito
Σi Σes
cov(iw,norte,sw,norte) = Σyo,norte,s = . (A2b)
w,norte Σes Σs
Los componentes clave de esta matriz de covarianza son: una submatriz Σique incluye varianzas de nivel en su
diagonal y covarianzas de nivel fuera de su diagonal, una submatriz Σsque incluye variaciones de pendiente en su
diagonal y covarianzas pendiente-pendiente fuera de su diagonal, y una submatriz Σesque incluye covarianzas de
pendiente de nivel dentro de la variable en su diagonal y covarianzas de pendiente de nivel entre variables fuera
de su diagonal. Cuando esta matriz de covarianza se estima libremente, a veces se la denomina modelo de
“proceso paralelo”.
Autor Manuscrito
En lugar de permitir que los niveles y pendientes específicos de cada persona para cada variable covaríen libremente,
como en las ecuaciones A2a y A2b anteriores, las interrelaciones entre niveles y pendientes pueden aproximarse
mediante factores comunes. Las porciones de factores de dicho modelo de “factores de curvas” se pueden escribir como:
iw,norte=τi+λi⋅Fi,norte+ (A3a)
ww tuyo,norte
y
Autor Manuscrito
La aproximación de las covarianzas de nivel y pendiente mediante el modelo de factor de curvas de orden superior se da
≈ ΛΨΛ′ + Θ , (A4)
Σyo,norte,sudoeste,norte
donde Λ es un2w×metromatriz de cargas para los niveles y pendiente de cada variablewenmetro factores
Autor Manuscrito
comunes (típicamente dos factores: un factor común de niveles y un factor común de pendientes), Ψ es unmetro
×metromatriz de covarianza de los factores comunes, y Θ es una2w×2w Matriz de covarianza de factores únicos
de nivel y pendiente (normalmente con varianzas de factor únicas en las diagonales, covarianzas de nivel-
pendiente dentro de la variable estimadas libremente y covarianzas de nivel-pendiente entre variables fijadas en
cero).
Comunalidades el término utilizado en el análisis factorial para la proporción de varianza en una variable que
se explica por un factor común. En el contexto de un modelo de factor de curvas, estamos específicamente
interesados en las proporciones de varianza en los niveles y pendientes de la curva de crecimiento que se
explican por los factores comunes de niveles y pendientes, respectivamente. La comunalidad se puede calcular
como
λ2⋅σ2F
Autor Manuscrito
donde λ es la carga común del nivel o pendiente específico de la variable sobre el factor común
de niveles o pendientes,σ2 Fes la varianza de ese factor común, yσ2 tues la varianza de la
factor único del nivel o pendiente específico de la variable. Para los casos en los que la carga factorial ya
ha sido estandarizada (de modo que la varianza estandarizada del factor es 1 y la varianza total en el
resultado es 1), la comunalidad se calcula simplemente como el cuadrado de esa carga factorial
estandarizada. Las comunalidades de nivel y pendiente son los resultados principales del metanálisis
actual.
Autor Manuscrito
wi=ri,X⋅ri,y⋅nortei, (B1)
dóndenorteies el tamaño de muestra completo (en la primera ola),ryo, xyryo,yson las confiabilidades del i-ésimo
par de curvas de crecimiento (o puntuaciones de diferencia, respectivamente) analizadas. Cada una de las
confiabilidades se redujo según los patrones de datos faltantes observados utilizando el teorema del Apéndice B
de von Oertzen y Brandmaier (2013) para tener en cuenta adecuadamente el desgaste. Por definición, los pesos
son siempre positivos. Las ponderaciones brutas se convirtieron en ponderaciones escaladas, de modo que
Como se describe en la sección Método (en Enfoque analítico: modelos de metarregresión multinivel), se
número de tamaños del efecto aportados por muestra. Las ponderaciones de precisión se especificaron al nivel de los
tamaños del efecto individuales (es decir, comodentro-ponderaciones de conglomerados) y las disminuciones de
ponderación se especificaron al nivel de las muestras contribuyentes (es decir, comoentre-pesos de los grupos). Para los
modelos de metarregresión multinivel, las ponderaciones entre grupos se escalaron de tal manera
que los productos de las ponderaciones dentro del grupo y entre grupos sumaron el número total de
Autor Manuscrito
Referencias
Asparouhov T (2008). Escalado de pesos muestrales para modelos de dos niveles en Mplus 4.2. Los Angeles,
CA: Muthén & Muthén.
Anstey KJ, Hofer SM y Luszcz MA (2003). Un análisis de la curva de crecimiento latente de las funciones sensoriales y sensoriales en la vejez.
Función cognitiva durante 8 años: evidencia de factores específicos y comunes que subyacen al
cambio. Psicología y envejecimiento, 18(4), 714–726. 10.1037/0882-7974.18.4.714 [PubMed: 14692859]
Baltes PB, Cornelius SW, Spiro A, Nesselroade JR y Willis SL (1980). Integración versus diferenciación
de inteligencia fluida cristalizada en la vejez. Psicología del desarrollo, 16, 625–635.
10.1037/0012-1649.16.6.625
Baltes PB, Nesselroade JR y Cornelius SW (1978). Antecedentes multivariados de cambio estructural en
desarrollo: una simulación de patrones ambientales acumulativos. Investigación conductual multivariada,
13(2), 127–152. 10.1207/s15327906mbr1302_1 [PubMed: 26794014]
Autor Manuscrito
Baltes PB, Reese HW y Nesselroade JR (1977). Psicología del desarrollo a lo largo de la vida: introducción
a Métodos de Investigación. Monterey, CA: Brooks 10.4324/9781315799704
Bartolomé DJ, Deary IJ y Lawn M (2009). Una nueva vida para el modelo de bonos de Thomson
inteligencia. Revisión psicológica, 116(3), 567 10.1037/a0016262 [PubMed: 19618987]
Biesanz JC, Deeb-Sossa N, Papadakis AA, Bollen KA y Curran PJ (2004). El papel de la codificación del tiempo en
Estimar e interpretar modelos de curvas de crecimiento. Métodos psicológicos, 9(1), 30
10.1037/1082-989x.9.1.30 [PubMed: 15053718]
Birren JE (1964). La psicología del envejecimiento. Englewood Cliffs, Nueva Jersey: Prentice-Hall.
Borsboom D, Cramer AO, Schmittmann VD, Epskamp S y Waldorp LJ (2011). El pequeño mundo de
psicopatología. PloS ONE, 6, e27407 10.1371/journal.pone.0027407
Boyle PA, Wilson RS, Yu L, Barr AM, Honer WG, Schneider JA y Bennett DA (2013). mucho últimamente
El deterioro cognitivo de la vida no se debe a patologías neurodegenerativas comunes. Anales de
Neurología, 74, 478–489. 10.1002/ana.23964 [PubMed: 23798485]
Brandmaier AM, Oertzen T. contra, Ghisletta P, Hertzog C y Lindenberger U (2015). LIFESPAN: Una herramienta
Autor Manuscrito
para el diseño asistido por ordenador de estudios longitudinales. Fronteras en Psicología, 6:272
10.3389/ fpsyg.2015.00272 [PubMed: 25852596]
Brandmaier AM, von Oertzen T, Ghisletta P, Lindenberger U y Hertzog C (2018a). Precisión,
confiabilidad y tamaño del efecto de la varianza de la pendiente en modelos de curva de crecimiento latente: implicaciones
para el análisis de poder estadístico. Fronteras en Psicología. Publicación anticipada en línea. doi:10.3389/fpsyg. 2018.00294
Brandmaier AM, Wenger E, Bodammer NC, Kühn S, Raz N y Lindenberger U (2018b). evaluando
Fiabilidad en la investigación de neuroimagen mediante descomposición del efecto intraclase (ICED). eLife, 7,
e35718 10.7554/eLife.35718.001 [PubMed: 29963984]
Carroll JB (1989). Análisis factorial desde Spearman: ¿Dónde nos encontramos? ¿Qué sabemos? En Kanfer
Ruth, Ackerman Phillip L. y Cudeck Robert (Editores) Habilidades, motivación y metodología: el simposio
de Minnesota sobre aprendizaje y diferencias individuales (Vol. 10, págs. 43–70).
Carroll JB (1993). Habilidades cognitivas humanas: una encuesta de estudios analíticos de factores. Cambridge:
Prensa Universitaria 10.1017/CBO9780511571312
Autor Manuscrito
Cheung MWL (2015). Metanálisis: un enfoque de modelado de ecuaciones estructurales. John Wiley e hijos
10.1002/9781118957813
Christensen H, Mackinnon A, Jorm AF, Korten A, Jacomb P, Hofer SM y Henderson S (2004). El
Estudio longitudinal de Canberra: diseño, objetivos, metodología, resultados e investigaciones empíricas
recientes. Neuropsicología y cognición del envejecimiento, 11, 169-195.
10.1080/13825580490511053
Cohen J, Cohen P, West SG y Aiken LS (2003). Análisis de correlación/regresión múltiple aplicado
para las Ciencias del Comportamiento. Reino Unido: Taylor y Francis 10.4324/9780203774441
Cox SR, Ritchie SJ, Tucker-Drob EM, Liewald DC, Hagenaars SP, Davies G, Wardlaw JM, Gale CG,
Bastin ME y Deary IJ (2016). Envejecimiento y estructura de la materia blanca del cerebro en 3513 participantes del
Autor Manuscrito
Craik FIM (1983). Sobre la transferencia de información de la memoria temporal a la permanente. Filosófico
Transacciones de la Royal Society de Londres, B 302, 341–359. 10.1098/primera vez.1983.0059
Cronbach LJ y Furby L (1970). Cómo deberíamos medir el “cambio”: ¿o deberíamos hacerlo? Psicológico
Boletín, 74(1), 68–80. 10.1037/h0029382
Cronbach LJ y Meehl PE (1955). La validez de constructo en las pruebas psicológicas. Boletín Psicológico,
52(4), 281–302. 10.1037/h0040957 [PubMed: 13245896]
de Frias CM, Lövdén M, Lindenberger U y Nilsson LG (2007). Revisando la desdiferenciación
hipótesis con datos longitudinales de múltiples cohortes. Inteligencia, 35(4), 381–392. 10.1016/j.intel.
2006.07.011
Querido IJ (2000). Mirando hacia abajo la inteligencia humana: de la psicometría al cerebro (Vol. 34).
Nueva York: Oxford University Press 10.1027//0269-8803.16.3.187
Querido IJ (2014). La estabilidad de la inteligencia desde la niñez hasta la vejez. Direcciones actuales en
Ciencia psicológica, 23 (4), 239–245. 10.1177/0963721414536905
Autor Manuscrito
Querido IJ, Cox SR y Ritchie SJ (2016). Sacar a Spearman del gancho del cielo: uno más en un siglo
(desde Thomson, 1916) de intentos de vencer a g. Investigación psicológica, 27(3), 192–199.
10.1080/1047840x.2016.1186525
Deater-Deckard K y Mayr U (2005). Cambio cognitivo en el envejecimiento: identificación gen-ambiente
Mecanismos de correlación y entorno no compartido. The Journals of Gerontology Serie B:
Ciencias psicológicas y ciencias sociales, 60, 24–31. 10.1093/geronb/60.Special_Issue_1.24
Dickens WT (2007). ¿Qué es g? Recuperado el 1 de mayo de 2017 dehttps://www.brookings.edu/wp-content/
cargas/2016/06/20070503.pdf
Ferrer E, Salthouse TA, McArdle JJ, Stewart WF y Schwartz BS (2005). Modelado multivariado de edad.
y volver a probar en estudios longitudinales de habilidades cognitivas. Psicología y envejecimiento, 20(3),
412 10.1037/0882-7974.20.3.412 [PubMed: 16248701]
Ghisletta P, Rabbitt P, Lunn M y Lindenberger U (2012). Dos tercios de los cambios de líquido basados en la edad
y se comparten la inteligencia cristalizada, la velocidad de percepción y la memoria en la edad adulta. Inteligencia,
40(3), 260–268. 10.1016/j.intell.2012.02.008
Autor Manuscrito
Gignac GE (2014). Mutualismo dinámico versus teoría del factor g: una prueba empírica. Inteligencia, 42, 89–
97. 10.1016/j.intell.2016.01.007
Gignac GE (2016). Asociaciones de factores residuales a nivel de grupo: posibles implicaciones negativas para el
Teoría del mutualismo de la inteligencia general. Inteligencia, 55, 69–78. 10.1016/j.intell.2016.01.007
Harrington KD, Schembri A, Lim YY, Dang C, Ames D, Hassenstab J, ... y Sohrabi HR (2018).
Las estimaciones sobre el deterioro de la memoria relacionado con la edad están infladas por la enfermedad de Alzheimer no
Hertzog C (1985). Una perspectiva de las diferencias individuales: implicaciones para la investigación cognitiva en
gerontología. Investigación sobre el envejecimiento, 7, 7–45. 10.1177/0164027585007001002 [PubMed: 3903892]
Hertzog C, Dixon RA, Hultsch DF y MacDonald SW (2003). Modelos de cambio latente del adulto.
Cognición: ¿los cambios en la velocidad de procesamiento y la memoria de trabajo están asociados con
cambios en la memoria episódica? Psicología y envejecimiento, 18(4), 755–769. 10.1037/0882-7974.18.4.755
[PubMed: 14692862]
Hofer SM, Christensen H, Mackinnon AJ, Korten AE, Jorm AF, Henderson AS y Easteal S (2002).
Cambio en el funcionamiento cognitivo asociado con el genotipo apoE en una muestra comunitaria de adultos
mayores. Psicología y Envejecimiento, 17, 194 10.1037/0882-7974.17.2.194 [PubMed: 12061406]
Cuerno JL (1970). Organización de datos sobre el desarrollo de las capacidades humanas a lo largo de la vida En Goulet LR &
Baltes PB (Eds.), Psicología del desarrollo a lo largo de la vida: investigación y teoría (págs. 423–466).
Nueva York: Académico 10.1016/b978-0-12-293850-4.50022-4
Humphreys LG y Davey TC (1988). Continuidad en el crecimiento intelectual de 12 meses a 9 años.
Inteligencia, 12, 183–197. 10.1016/0160-2896(88)90015-3
Johnson W, Bouchard TJ, Krueger RF, McGue M y Gottesman II (2004). Sólo una g: consistente
resultados de tres baterías de prueba. Inteligencia, 32(1), 95-107. 10.1016/S0160-2896(03)00062-X
Juan-Espinosa M, García LF, Escorial S, Rebollo I, Colom R y Abad FJ (2002). Desdiferenciación de edad
Hipótesis: Evidencia del WAIS III. Inteligencia, 30(5), 395–408. 10.1016/
S0160-2896(02)00092-2
Kalveram KT (1965). Die Veränderung von Faktorenstrukturen durch “simultane Überlagerung”.
Archiv für die gesamte Psychologie, 117, 296–305.
Kievit RA et al. (en prensa). El acoplamiento mutualista entre vocabulario y razonamiento apoya la función cognitiva.
Desarrollo durante la adolescencia tardía y la edad adulta temprana Ciencia Psicológica.
Autor Manuscrito
10.1177/0956797617710785
Kievit R, Brandmaier A, Ziegler G, van Harmelen AL, de Mooij S, Moutoussis M, Goodyer I,
Bullmore E, Jones P, Fonagy P, el Consorcio de la Red de Neurociencia en Psiquiatría (NSPN),
Lindenberger U y Dolan RJ (2017). Neurociencia cognitiva del desarrollo utilizando modelos de puntuación
de cambio latente: un tutorial y aplicaciones. BioRxiv. 10.1101/110429
Kovacs K y Conway AR (2016). Teoría de la superposición de procesos: una explicación unificada del factor general de
inteligencia. Investigación psicológica, 27 (3), 151-177. 10.1080/1047840x.2016.1153946
Kovas Y y Plomin R (2006). Genes generalistas: implicaciones para las ciencias cognitivas. Tendencias en
Ciencias cognitivas, 10(5), 198–203. 10.1016/j.tics.2006.03.001 [PubMed: 16580870]
Lemke U y Zimprich D (2005). Cambios longitudinales en el rendimiento de la memoria y la velocidad de procesamiento
en Palabras clave abstractas de vejez. Envejecimiento, neuropsicología y cognición, 12(1), 57–
77. 10.1080/13825580590925116
Lindenberger U y Ghisletta P (2009). Deterioros cognitivos y sensoriales en la vejez: calibrando la evidencia
por una causa común. Psicología y envejecimiento, 24(1), 1 10.1037/a0014986 [PubMed: 19290733]
Autor Manuscrito
Universidad Lindenberger y Universidad Pötter (1998). La naturaleza compleja de los efectos únicos y compartidos en la jerarquía.
Regresión lineal: implicaciones para la psicología del desarrollo. Métodos psicológicos, 3(2), 218
10.1037//1082-989x.3.2.218
Lindenberger U, Von Oertzen T, Ghisletta P y Hertzog C (2011). Variación de edad transversal
extracción: ¿Qué tiene que ver el cambio con esto? Psicología y envejecimiento, 26(1), 34 10.1037/a0020525
[PubMed: 21417539]
Autor Manuscrito
Pequeño TD, Lindenberger U y Nesselroade JR (1999). Sobre la selección de indicadores para multivariado
medición y modelación con variables latentes: Cuando los indicadores “buenos” son malos y los
indicadores “malos” son buenos. Métodos psicológicos, 4(2), 192 10.1037//1082-989x.4.2.192
Lorenzo-Seva U y ten Berge JMF (2006). El coeficiente de congruencia de Tucker como índice significativo de
Similitud de factores. Metodología, 2, 57–64. 10.1027/1614-2241.2.2.57
Lövdén M, Ghisletta P y Lindenberger U (2004). Cognición en el Estudio de Envejecimiento de Berlín (BASE): El
primeros 10 años. Neuropsicología y cognición del envejecimiento, 11, 104-133. 10.1080/13825580490510982
McArdle JJ (1988). Modelado de ecuaciones dinámicas pero estructurales de datos de medidas repetidas en
Nesselroade JR y Cattell RB (Eds.), El manual de psicología experimental multivariada (Vol. 2,
Autor Manuscrito
Equipo central R (2016). R: Un lenguaje y entorno para la computación estadística R Foundation for
Computación estadística, Viena, Austria URLhttps://www.R-project.org/.
Rabbitt P (1993). ¿Todo va junto cuando sucede? La decimonovena conferencia en memoria de Bartlett. El
Revista trimestral de psicología experimental, 46(3), 385–434. 10.1080/14640749308401055
[PubMed: 8378549]
Rast P y Hofer SM (2014). Consideraciones de diseño longitudinal para optimizar la potencia para detectar variaciones.
y covarianzas entre tasas de cambio: resultados de simulación basados en estudios longitudinales
reales. Métodos psicológicos, 19 (1), 133-154. 10.1037/a0034524 [PubMed: 24219544]
Raudenbush SW y Bryk AS (2002). Modelos lineales jerárquicos: aplicaciones y análisis de datos
Métodos (Vol. 1). Londres: sabio.
Reinert G (1970). Estudios analíticos factoriales comparativos de la inteligencia a lo largo de la vida humana.
Goulet LR y Baltes PB (Eds.), Psicología del desarrollo a lo largo de la vida: investigación y teoría (págs.
476–484). Nueva York: Academic Press 10.1016/b978-0-12-293850-4.50023-6
Rhemtulla M y Tucker-Drob EM (2011). Cambios longitudinales correlacionados a través de idiomas,
logros y dominios psicomotores en la primera infancia: evidencia de una dimensión global del
Autor Manuscrito
Ritchie SJ, Tucker-Drob EM, Starr JM y Deary IJ (2016). ¿Las funciones cognitivas y físicas envejecen?
concierto de 70 a 76 años? Evidencias de la cohorte de nacimiento de Lothian 1936. Revista Española de
Psicología, 19, E90 10.1017/sjp.2016.85 [PubMed: 27917739]
Rönnlund M, Nyberg L, Bäckman L y Nilsson LG (2005). Estabilidad, crecimiento y declive en la vida adulta.
abarcan el desarrollo de la memoria declarativa: datos transversales y longitudinales de un estudio
poblacional. Psicología y envejecimiento, 20(1), 3–18. 10.1037/0882-7974.20.1.3 [PubMed: 15769210]
Rovine MJ y Molenaar PCM (1998). La covarianza entre nivel y forma en el crecimiento latente.
modelo de curva con coeficientes de vector base estimados. Métodos de investigación psicológica en línea, 3(2),
95–107.
Autor Manuscrito
Sattler C, Wahl HW, Schröder J, Kruse A, Schönknecht P, Kunzmann U, ... y Rammelsberg P. (2015).
Estudio Longitudinal Interdisciplinario sobre Desarrollo y Envejecimiento de Adultos (ILSE). Enciclopedia
de Geropsicología, 1–10. 10.1007/978-981-287-080-3_238-1
Salthouse TA (1988). Interpretaciones de reducción de recursos del envejecimiento cognitivo. revisión del desarrollo,
8(3), 238–272. 10.1016/0273-2297(88)90006-8
Salthouse TA (1991). Perspectivas teóricas sobre el envejecimiento cognitivo. Hillsdale, Nueva Jersey: Earlbaum
10.4324/9781315785363
Salthouse TA (1996). La teoría de la velocidad de procesamiento de las diferencias cognitivas en la edad adulta. Psicológico
Revisión, 103(3), 403–428. 10.1037//0033-295x.103.3.403 [PubMed: 8759042]
Salthouse TA (2004a). Qué y cuándo del envejecimiento cognitivo. Direcciones actuales en psicología
Ciencia, 13(4), 140-144. 10.1111/j.0963-7214.2004.00293.x
Autor Manuscrito
Salthouse TA (2004b). Localizar las diferencias individuales relacionadas con la edad en una estructura jerárquica.
Inteligencia, 32(6), 541–561. 10.1016/j.intell.2004.07.003
Salthouse TA (2009). ¿Cuándo comienza el deterioro cognitivo relacionado con la edad? Neurobiología del envejecimiento, 30(4),
507–514. 10.1016/j.neurobiolaging.2008.09.023 [PubMed: 19231028]
Salthouse TA (1991). Perspectivas teóricas sobre el envejecimiento cognitivo. Nueva Jersey: Lawrence Erlbaum
10.4324/9781315785363
Salthouse TA (1994). ¿Cuántas causas existen de disminuciones en la capacidad cognitiva relacionadas con el envejecimiento?
Sliwinski M y Buschke H (2004). Modelado del cambio cognitivo intraindividual en adultos mayores: resultados
de los estudios de envejecimiento de Einstein. Neuropsicología y cognición del envejecimiento, 11 (2–3), 196–211.
10.1080/13825580490511080
Sliwinski MJ, Hofer SM y Hall C (2003). Cambio cognitivo correlacionado y acoplado en adultos mayores.
con y sin demencia preclínica. Psicología y envejecimiento, 18(4), 672–683.
10.1037/0882-7974.18.4.672 [PubMed: 14692856]
Lancero C (1904). “Inteligencia general”, objetivamente determinada y medida. El americano
Revista de Psicología, 15(2), 201–292. 10.2307/1412107
Lancero C (1927). Las habilidades del hombre. Londres: Macmillan 10.1017/s0031819100015825
Stanley TD y Doucouliagos H (2014). Aproximaciones de metarregresión para reducir la publicación
Autor Manuscrito
Tetens JN (1777). Philosophische Versuche über die menschliche Natur und ihre Entwicklung
[Ensayos filosóficos sobre la naturaleza humana y su desarrollo]. Leipzig, Alemania: Weidmanns Erben
und Reich.
Thurstone LL (1938). Habilidades mentales primarias. Chicago: Prensa Universitaria 10.2307/3607923
Tucker-Drob EM, Johnson KE y Jones RN (2009). La hipótesis de la reserva cognitiva: una visión longitudinal
examen de las disminuciones asociadas con la edad en el razonamiento y la velocidad de procesamiento. Psicología
Autor Manuscrito
Tucker-Drob EM, Reynolds CA, Finkel D y Pedersen NL (2014). Genética única y compartida y
Influencias ambientales sobre los cambios relacionados con el envejecimiento en múltiples capacidades cognitivas.
Psicología del desarrollo, 50(1), 152 10.1037/a0032468 [PubMed: 23586942]
Werner H. (1948). Psicología comparativa del desarrollo mental. Nueva York: Internacional
Prensa Universitaria.
Wilson RS, Beckett LA, Barnes LL, Schneider JA, Bach J, Evans DA y Bennett DA (2002).
Diferencias individuales en las tasas de cambio en las capacidades cognitivas de las personas mayores.
Psicología y envejecimiento, 17(2), 179 10.1037//0882-7974.17.2.179 [PubMed: 12061405]
Zelinski EM y Stewart ST (1998). Diferencias individuales en los cambios de memoria de 16 años. Psicología
Autor Manuscrito
Una pregunta de larga data sobre el envejecimiento cognitivo ha sido: "¿Todo va junto cuando sucede?" Este
metanálisis indica que los deterioros relacionados con el envejecimiento están interrelacionados en diferentes
dominios del pensamiento. Por ejemplo, los adultos cuya memoria disminuye marcadamente en relación con otros
adultos a medida que envejecen también es probable que disminuyan de manera relativamente pronunciada en su
velocidad de razonamiento y procesamiento en relación con otros adultos durante el mismo período de tiempo. Estos
conocimientos clave sobre cómo se estructuran las diferencias individuales en el deterioro cognitivo longitudinal
sugieren que las teorías e intervenciones para el envejecimiento cognitivo deberán considerar mecanismos que
abarquen varios dominios diferentes de la función cognitiva, además de mecanismos que son específicos de cada
Figura 1.
Izquierda: histograma de las correlaciones nivel-pendiente dentro de las variables,
ponderado por el número inverso de tamaños de efecto aportados por el conjunto de datos
asociado. Las ponderaciones se escalan para sumar el número total de tamaños del efecto
(98). La línea vertical discontinua representa la estimación metaanalítica ponderada (−0,042)
para la correlación nivel-pendiente. Para facilitar las comparaciones con los resultados
relacionados con las comunalidades de la pendiente, la línea vertical sólida representa la
estimación metaanalítica ponderada (.001) para las correlaciones nivel-pendiente utilizando
Autor Manuscrito
Figura 2.
Histograma de la relación entre la precisión de comunalidad de la pendiente y la precisión de comunalidad del nivel.
La línea discontinua vertical representa el valor mediano (0,072). Se puede observar que las comunalidades de la
pendiente tienden a estimarse con una precisión sustancialmente menor que las comunalidades de nivel.
Autor Manuscrito
Figura 3.
Histogramas de comunalidades de nivel y comunalidades de pendiente. Los histogramas se ponderan por la
precisión respectiva de las estimaciones individuales y por el número inverso de tamaños de efecto aportados
por el conjunto de datos asociado. En cada panel, las ponderaciones se escalan para sumar el número total de
tamaños del efecto (89). La línea vertical discontinua representa la estimación metaanalítica ponderada de la
comunalidad media para los niveles (.558) y pendientes (.600), respectivamente. Para facilitar las comparaciones
entre comunales de nivel y pendiente, la línea vertical sólida representa la estimación metaanalítica ponderada
para los comunales de nivel utilizando las ponderaciones de comunalidad de pendiente (.585).
Autor Manuscrito
Figura 4.
Parcelas en embudo de comunas de nivel y comunas de pendiente. Las estimaciones del tamaño del efecto
están en el eje x y la precisión de las estimaciones están en el eje y. En cada panel, los valores de precisión se
escalaron de manera que suman el número total de tamaños del efecto (89). Se puede observar que ambas
gráficas son aproximadamente simétricas. Para probar formalmente la asimetría del embudo, hicimos una
regresión de las estimaciones del tamaño del efecto sobre la precisión, con y sin ponderación por precisión.
Para el nivel de comunalidad, los valores de p para las regresiones ponderadas y no ponderadas fueron 0,298 y
0,759, respectivamente. Para la comunalidad de la pendiente, los valores de p para las regresiones ponderadas
y no ponderadas fueron 0,486 y 0,271, respectivamente. Por lo tanto, no hubo evidencia de que las
estimaciones del tamaño del efecto estuvieran asociadas sistemáticamente con las precisiones con las que se
estimaron.
Autor Manuscrito
Figura 5.
Diagramas de dispersión de la asociación entre estimaciones de comunalidad de nivel y estimaciones de comunalidad de
pendiente con estimaciones centradas (arriba) y sin (abajo) dentro del conjunto de datos. El área de cada punto
corresponde a la precisión de la estimación de comunalidad, donde los puntos más grandes representan comunalidades
más precisas. Las ponderaciones de precisión se escalan para sumar el número total de tamaños del efecto (89).
Autor Manuscrito
Figura 6.
Diagrama de ruta que representa estimaciones metaanalíticas para cargas de factores estandarizados de
niveles de habilidades cognitivas individuales en un factor general de niveles (izquierda) y cargas de factores
Autor Manuscrito
cambios (derecha). Las variaciones se omitieron del diagrama. Las cargas factoriales estandarizadas se
calcularon tomando la raíz cuadrada de las respectivas comunalidades. Razón = Razonamiento. Verbo Saber =
Figura 7.
La pendiente comunitaria se representa gráficamente en función de la edad media al inicio del estudio para el
conjunto de datos metanalíticos completos (izquierda) y para los análisis de sensibilidad controlados por
pendiente, donde los puntos más grandes representan comunalidades más precisas. Las líneas de regresión
superpuestas representan las tendencias lineales implícitas en el modelo de metarregresión y sus intervalos de
confianza del 95%. Para el conjunto de datos completo, la asociación positiva entre la comunalidad de la
pendiente y la edad media al inicio se mantuvo (p = 0,013) al restringir el análisis a estimaciones derivadas de
edades medias al inicio mayores a 50 años. Para los análisis de sensibilidad controlados por demencia, tLa
Autor Manuscrito
asociación positiva entre la comunalidad de la pendiente y la edad media al inicio también se mantuvo (p <.0005)
cuando se restringió el análisis a estimaciones derivadas de edades medias al inicio mayores a 50 años.
Autor Manuscrito
Tabla 1.
Cognitivo Avanzado
razonamiento ejecutivo,
Formación para Personas Mayores
1 Tucker-Drob (2011b) Curva de crecimiento 698 74.05 74.05 5.23 6 3 3 Velocidad de percepción, episódica
Independientes y Vitales (Grupo de
Memoria
No Intervención)
Sliwinski et al.
4 Estudio de envejecimiento del Bronx Curva de crecimiento 466 80.10 85,00 11,00 12 3 3 Fluidez, Memoria, Velocidad
(2003)
Interdisciplinario
Lemke y Zimprich
8 Estudio longitudinal sobre Puntuación de diferencia latente 474 62,94 62,94 4,00 2 1 2 Velocidad de procesamiento, memoria
(2005)
Desarrollo adulto
Interdisciplinario
Zimprich y Martín Inteligencia fluida, procesamiento
Estudio longitudinal sobre Puntuación de diferencia latente
capacidad visuoespacial,
Cohorte de nacimientos de Lothian de Velocidad de procesamiento, episódica
12 Ritchie y cols. (2016) Curva de crecimiento 1.091 69,53 69,53 6,75 3 4 4
1936 Memoria cristalizada
Inteligencia
Página 49
Autor Manuscrito Autor Manuscrito Autor Manuscrito Autor Manuscrito
Crecimiento Nacional y
13 Ferrer et al. (2005) Curva de crecimiento 382 52,90 40.00 7,99 3 1 2 Memoria, velocidad de procesamiento
Estudio de cambio
14 lo antiguo: octogenario Rast y Hofer (2014) Curva de crecimiento 241 80.00 80.00 8.03 5 3 3 Memoria en Realidad Gratis
Mellizos Recordar, diseño de bloques
Vocabulario
Nota.
1
Cuando se utilizaron pruebas individuales, se enumeran los nombres de las pruebas. Cuando se utilizaron medidas compuestas o factores latentes que representan un dominio cognitivo más general, se enumeran los dominios cognitivos.
Tucker-Drob et al.
Tabla 2.
Desviación
Efecto específico de habilidad desde grandioso
Dominio Estimación del tamaño SE valor p Significar SE valor p
Comunidades de nivel
Gran media entre dominios 0.584 0.019 <.0005 0.000 N/A N/A
Autor Manuscrito
Pendiente del conocimiento verbal 0.463 0,073 <.0005 − 0,100 0,069 0.145
Gran media entre dominios 0.563 0.026 <.0005 0.000 N/A N/A
Pendiente del conocimiento verbal − 0,019 0.009 0.032 0.0268 0.0051 <.0005
Gran media entre dominios − 0,045 0.008 <.0005 0.000 N/A N/A
Nota: Los modelos se ajustaron como metarregresiones de dos niveles codificadas por efectos con una intersección aleatoria para la muestra. Luego, los coeficientes de cada uno de los
predictores se combinaron con la media de la intersección de regresión utilizando el método delta (Ver Hoef, 2012) para producir las estimaciones de la media condicional para cada
dominio de capacidad cognitiva. Las metarregresiones se ponderaron por la precisión respectiva de las estimaciones individuales y por el número inverso de tamaños del efecto aportados
por el conjunto de datos asociado. Los modelos se ajustaron por separado para comunidades de nivel, comunidades de pendiente y medias de pendiente. Los errores estándar (SE) y los
valores p no se informan para la comunalidad de la Memoria Prospectiva, porque solo había un punto de datos para la Memoria Prospectiva en el conjunto de datos metanalíticos. Los
errores estándar (SE) y los valores p no se informan para la pendiente media de la memoria de trabajo, porque solo hubo una estimación de la pendiente media para la memoria de trabajo
en el conjunto de datos metanalíticos. No hubo estimaciones de pendiente media para la Memoria Prospectiva en el conjunto de datos metanalíticos. Restringir las estimaciones de
comunalidad de todos los niveles para que sean invariantes entre las habilidades resultó en una pérdida significativa de
Autor Manuscrito
ajuste del modelo, χ2 (6) = 32,454, p < 0,0005. Restringir todas las estimaciones de comunalidad de la pendiente para que sean invariantes entre las habilidades también resultó en una pérdida significativa de
ajuste del modelo, χ2 (6) = 15,914, p = 0,014. Restringir todas las estimaciones de la media de la pendiente para que sean invariantes entre las habilidades resultó en una pérdida significativa de ajuste del
modelo, χ2 (5) = 27,256, p = 0,0001. Estos resultados indican que las estimaciones de comunalidad y las medias de pendiente difirieron entre los dominios de capacidad cognitiva.
Tabla 3.
Coeficiente Coeficiente
Moderador (No estandarizado) SE pag (No estandarizado) SE pag
Edad media al inicio (años) . 000 . 002 . 911 . 005 . 002 . 001
Edad media al inicio (edad>50 años únicamente) . 002 . 002 . 218 . 004 . 002 . 013
SUD (1) frente a LGM (0) − . 056 . 069 . 415 − . 184 . 069 . 008
Tasa de cambio media basada en la edad (1) − . 086 . 066 . 194 . 070 . 063 . 270
versus basada en el tiempo (0) − . 363 . 960 . 705 − 1.156 1.362 . 396
Capacidad amplia (1) frente a estrecha (0) − . 022 . 053 . 677 . 107 . 053 . 044
Autor Manuscrito
Nota. Los moderadores fueron evaluados individualmente. Las metarregresiones de dos niveles se ponderaron por la precisión respectiva de las estimaciones de comunalidad individual y
por el número inverso de tamaños del efecto aportados por el conjunto de datos asociado, con intercepciones aleatorias estimadas. Debido a la variabilidad sustancial dentro de los
conjuntos de datos para la tasa de cambio media, también permitimos una pendiente de regresión aleatoria y una covarianza de pendiente de intersección. SE = error estándar. LDS =
Tabla 4.
Nota: Las metarregresiones de dos niveles se ponderaron según la precisión respectiva de las estimaciones de comunalidad individuales y por el número inverso de tamaños del efecto
aportados por el conjunto de datos asociado. Permitimos una intersección aleatoria, una pendiente aleatoria para el efecto de regresión de las comunalidades de nivel sobre las
comunalidades de pendiente y una covarianza entre la intersección aleatoria y la pendiente aleatoria. Los dominios de capacidad cognitiva fueron efectos codificados, y la velocidad de
procesamiento se omitió como grupo base. Por lo tanto, todos los parámetros para los dominios de capacidad cognitiva representan la desviación de la estimación de comunalidad media
para el dominio de capacidad respectivo de la media general simple entre dominios. Un parámetro que representa la desviación de la media de la velocidad de procesamiento de la media
general simple en todos los dominios de capacidad se derivó de los otros parámetros utilizando el método delta (Ver Hoef, 2012). Los errores estándar (SE) y los valores p no se informan
para la memoria prospectiva, porque solo había un punto de datos para la memoria prospectiva en el conjunto de datos metanalíticos. LDS = Modelo de puntuación de diferencia latente.