Si occupa dello STATUS- una ‘radiografia’ del presente Disegno sperimentale trasversale o cross-sectional Si occupa dello STATUS- una ‘radiografia’ del presente Può riferirsi ad un soggetto o ad un gruppo ad un’epoca comparabile, in genere la stessa età. L’informazione è essenzialmente “statica” E’ separata, da tutto quanto concerne il progresso e il cambiamento.

Cross-sectional Se ripetuta ad intervalli regolari, può mostrare cambiamenti e trends, che aiutano nel formulare previsioni. Le previsioni sono rese possibili dalla ipotizzata stabilità della caratteristica in esame. Vantaggio principale : suggerisce ipotese per la verifica longitudinale. Problema principale: gli effetti “Età” e “Corte” sono indistinguibili (si possono neutralizzare reciprocamente! ) Ambiguità nella ricerca causale, particolarmente nell’ordine causale.

Cross-sectional I dati cross-sectional sovrastimano consistenemente l’importanza delle variabili esplicative (in ragione dell’assenza sui progressi e le modificazioni comportamentali) Inoltre, l’effetto delle variabili esplicative omesse non è noto (i processi psicologici e sociali sono “rumorosi” o “noisy”).

Disegni Longitudinali Misure ripetute degli stessi soggetti nel tempo.  socio-o-psico-dinamici L’intervallo temporale deve essere sufficientemente lungo da rilevare il cambiamento nello stato di sviluppo (developmental status). Può mostrare la natura dei patterns del percorso di crescita del cambiamento nei soggetti. Può fornire un quadro corretto di cause ed effetti \ l’idea della “Genesi” contrapposta alla “Predizione”  L’interesse previsivo lascia spazio alla scoperta delle leggi di crescita o sviluppo.

Tipi di disegni longitudinali Prospettici a 2 o più periodi per 2 o più periodi Lo stesso insieme di casi Lo stesso insieme di variabili Retrospettivi Ad un periodo Per diversi periodi Lo stesso insieme di casi Lo stesso insieme di variabili

Tipi di disegni longitudinali In linea di principio, non vi sono differenze nella qualità dei dati da disegni prospettici e retrospettivi (non si dispone di studi sistematici della validità e affidabilità dei due insiemi di dati). I problemi sono comuni ad antrambi. Analisi causale possibile. Effetti inter-cortici, di età, di periodo

Obiezioni agli studi longitudinali Attrition of the sample (più a lungo procedo, più sono esposto al rischio di osservare l’evento in studio): Non solo la grandezza ma anche il pattern di attrito rispetto a variabili critiche. Alcuni studi hanno tassi di partecipazione pari al 90% del campione iniziale, ma di solito è il 75-80% Difficile e costoso mantenere contatti e sostenere la motivazione dei soggetti. Gli stessi individui possono modificare il loro comportamento in modi sconosciuti.

Obiezioni agli studi longitudinali Impegno gravoso, irrevocabile. Dati di tutti i tipi, solo una parte analizzata in conclusione; una parte, a volte consistente, va persa. Problema principale: identificazione e contatto costante con i soggetti Variazioni nella misura Questioni di Confidenzialità

Obiezioni agli studi longitudinali Con tanti tipi di dati da diverse fonti, il Data Linkage diviene uno strumento di ricerca di importanza cruciale. Richiede standardizzazione delle categorie, definizioni, persino per dati fattuali come l’età, le aree geografiche, etc.

Aspetti tipici degli studi longitudinali Per definizione, le osservazioni non sono indipendenti  occorre tener conto della dependeza nei dati Metodi analitici e assunti statistici impiegati nell’analisi dei dati cross-sectional non sono più adatti all’analisi longitudinale Problemi di disegni non bilanciati, dati mancanti, attrition, etc. Covariate tempo-dipendenti Computazionalmente intensivo

Layout Generale dei Dati soggetto osservazione risposta o dip covariate o indip 1 1 y11 x111... x11p 1 2 y12 x121... x12p . ..... 1 t y1t x1t1 ...x1tp Analogamente, si riportano le osservazioni relative a ciascuno degli n individui (N.B. t può essere diverso per soggetti diversi) Variabile risposta continua (normale o non normale) categorica (dicotoma, ordinale, nominale, counts)

Osservazioni introduttive I dati longitudinali sono in un certo senso serie temporali perché implicano sequenze temporali di misure, counts o risposte categoriche. e.g. Stato di salute, pressione sanguigna, punteggio di depressione, numero di figli, atteggiamento verso l’aborto Tuttavia non tutte le serie temporali sono longitudinali! Infatti il concetto si riferisce principalmente allo “sviluppo” delle unità individuali nel tempo.

Osservazioni introduttive Anche sotto il profilo statistico, vi sono grandi differenze. Nell’analisi longitudinale, il focus è posto sulla crescita e sviluppo individuale Crescita (stabilità) nel tempo. Determinazione delle variazioni di causa-effetto. Pertanto, le tecniche comuni utilizzata per le serie temporali non si adattano all’applicazione ai dati longitudinali.

Osservazioni introduttive: la visualizzazione dei dati Come in qualsiasi altra analisi statistica, il primo passo nell’analisi longitudinale è l’eplorazione visiva dei dati I dati longitudinali comprendono anche Comportamento soggettivo Comportamento temporale Comportamento delle Covariate (individuali and strutturali) Osservazioni anomale Plots o diagrammi sono molto utili. Se possibile, è opportuno rappresentare tutti i punti di dati per un soggetto.

Stabilità e cambiamento Occorre analizzare vari effetti mediante modelli probabilistici e parametri “strutturali” Le due dimensioni sono congiunte. Come comprendere il simultaneo verificarsi di stabilità e cambiamento? Se il cambiamento si verifica in modo sistematico, necessariamente sarà sotteso da un pattern stabile. Nell’indagare processi che catturano sia il cambiamento che la stabilità, è importante riferirsi a: Informazioni mancanti Errori di misura mancanti Eterogeneità (osservata e non osservata) Importanza delle teorie esplicative della stabilità e del cambiamento – proprie di ogni discipline (e.g. Teoria dei Sistemi, Teoria del Ciclo di Vita, etc.)

Misure Ripetute Collezioni o clusters di dati sovente raccolte: I bambini in una medesima classe I fratelli in una famiglia Le misure ripetute si possono pensare come un caso speciale di dati raggruppati I tempi di una stessa persona Cruciale è l’ordine imposto dalla successione temporale Nei disegni a misure ripetute, ogni soggetto è osservato in almeno due condizioni

Disegni a misure ripetute (puri) Considerazioni nei disegni a misure ripetute La potenza aumenta Gli effetti di ordine minacciano la validità interna. Gli effetti d’ordine derivano da: Practica Fatica Trascinarsi del trattamento Sensibilizzazione

Disegni a misure ripetute randomizzati La sequenza dei trattamenti è determinata casualmente per ogni partecipante Se le osservazioni sono 2, si applica il test t per campioni dipendenti (within subjects t) Se le osservazioni sono più di due, ANOVA Within-Subjects

Disegni a misure ripetute controbilanciati Si configuri un insieme di sequenze delle consizioni tali che Ogni condizione compare in ogni posizione lo stesso numero di volte Ogni condizione precede ogni altra condizione tante volte quante la precede. (Per ogni sequenza in cui T1 precedeT2, ve ne deve essere una nella quale T1 segue T2) Si assegnino casualmente i partecipanti alle sequenze

Misure Ripetute Esempio: 68 persone che si preparano per l’esame di ammissione forniscono informazioni sull’ansia nel mese precedente l’esame. Per ogni soggetto, sono stati calcolati 4 punteggi settimanali di ansia La sintesi dei risultati riportata nel grafico non sfrutta le informazioni ripetute Ansia media su 4 settimane 2.50 2.00 Punteggio 1.50 Punteggio Limite inferiore 1.00 Limite superiore 0.50 0.00 1 2 3 4 settimana

Un test del cambiamento su di un campione (2 istanti temporali) I punteggi della settimana 4 possono differire da quelli della settimana 3 solo per fluttuazioni campionarie? Problema t test su di un campione (da 2 campioni dipendenti) Si denoti la variabile al tempo 4, Y4, e al tempo 3, Y3 Notazioni formali Sia D = Y4-Y3 H0 :m3= m4 Si confronti la media campionaria di D con l’errore standard di D. Sotto gli assunti noti, il rapporto si distribuisce come una statistica t.

Un test del cambiamento su di un campione (2 istanti temporali) Nel caso in esame, la deviazione standard ed errore standard del campione dei 68 rispondenti sono pari a: T3 = 1.658 (.888, .108) T4 = 1.979 (.897, .109) D = 0.321 (.493, .060) Il t test " appaiato" o “su due campioni correlati o appaiati o dipendenti“ è: t(df=67) = (.321/.060) = 5.35 Non si “accetta H0 " e si conclude che, in media, si è verificato un cambiamento.

Un test del cambiamento su due campioni Si inserisce un gruppo ‘di controllo’ di soggetti che non devono sostenere esami Due gruppi: ansia in 4 settimane 2.5 2 1.5 Esame Punteggio 1 Controllo 0.5 1 2 3 4 Settimana

Un confronto del cambiamento su due campioni (indipendenti) Ipotesi: tenere una registrazione quotidiana rende più consapevoli degli umori e induce forse il cambiamento Un gruppo di ‘controllo’ viene selezionato e vengono ‘reclutate’ le coppie. Dati completi sono disponibili per 67 persone