Copyrights. PSIKOVERO,
2026. Todos los derechos reservados.
Los datos longitudinales se distinguen de los transversales por un rasgo esencial: registran observaciones repetidas en los mismos individuos a través del tiempo. En psicología y ciencias de la salud, esta estructura permite estudiar procesos de desarrollo, evolución de síntomas o trayectorias de aprendizaje. Las curvas de crecimiento son un ejemplo típico, ya que el investigador mide una variable en sucesivos intervalos temporales con el fin de describir cómo cambia cada persona y detectar diferencias entre grupos.
Durante décadas, el análisis de estos datos se apoyó en técnicas clásicas como el análisis de variancia de medidas repetidas. Sin embargo, dichas técnicas imponen supuestos restrictivos y no aprovechan toda la información disponible sobre la variabilidad individual. En este artículo se revisan los principales modelos, desde el enfoque clásico hasta los modelos de curvas de crecimiento latente, y se destacan sus ventajas para la investigación aplicada en ciencias sociales y de la salud.
El ANOVA de medidas repetidas considera a los sujetos como un factor aleatorio y a las ocasiones y grupos como factores fijos. Su objetivo principal es comparar las medias de las observaciones en distintos momentos o grupos, o examinar si se ajustan a polinomios conocidos. Es útil cuando interesa el efecto global del tiempo o la interacción con factores entre sujetos.
La aplicación correcta de este modelo exige varios supuestos: independencia de las observaciones entre sujetos, distribución normal multivariante de las puntuaciones en cada grupo, homogeneidad de matrices de varianza-covarianza y esfericidad. La esfericidad implica que las varianzas de las diferencias entre pares de medidas repetidas son homogéneas. Su incumplimiento produce un sesgo positivo en el estadístico F. Para corregirlo se utilizan procedimientos como el ajuste de Greenhouse-Geisser, el límite inferior o la aproximación de Welch-James.
El MANOVA trata las medidas repetidas como múltiples variables dependientes correlacionadas. A diferencia del ANOVA, este enfoque no asume esfericidad y se centra en el componente entre grupos, transformando las variables originales en contrastes de interés. Esto permite verificar cambios lineales, cuadráticos o de otro orden en función del tiempo, pero elimina del análisis el factor intrasujeto como tal.
El modelo MANOVA se define en notación matricial como Y = XB + E, donde Y es la matriz de observaciones, X es la matriz de diseño, B la matriz de parámetros y E la matriz de errores. Para probar la igualdad de medias se recurre al estadístico T cuadrado de Hotelling, que puede transformarse en una distribución F. Aunque el MANOVA es más flexible que el ANOVA, sigue siendo limitado para modelar la forma de las curvas individuales.
El GMANOVA, propuesto por Potthoff y Roy en 1964, extiende el MANOVA al imponer una estructura al perfil de las medias. Se expresa como Y = XHT + E, donde T es una matriz que describe el patrón de cambio a lo largo del tiempo y H contiene los coeficientes polinómicos. Esta formulación permite ajustar curvas de crecimiento polinómicas y modelar la estructura de correlación entre las observaciones repetidas.
El valor esperado de las observaciones viene dado por E(Y) = XHT. La matriz T suele tener estructura Vandermonde y define el modelo de cambio postulado. El GMANOVA resulta muy útil porque explica la variación intraindividual en función del desarrollo natural y puede trabajar con datos correlacionados y, en algunos casos, con ocasiones de medida no balanceadas.
Los modelos multinivel, también llamados jerárquicos o de coeficientes aleatorios, representan los datos longitudinales como una estructura anidada: las medidas repetidas (nivel uno) están anidadas en los sujetos (nivel dos). Esta perspectiva permite modelar simultáneamente la variación intra-sujeto y entre-sujetos, algo que los modelos clásicos no logran con la misma flexibilidad.
En el primer estadío se define una regresión lineal para cada individuo, con uno o más predictores temporales. Por ejemplo, la ecuación yij = β0j + β1j Xij + eij describe la respuesta del sujeto i dentro del grupo j. En un segundo nivel, los coeficientes β0j y β1j se tratan como variables dependientes que pueden ser explicadas por características del grupo o del sujeto.
Este enfoque permite que los interceptos y pendientes varíen aleatoriamente entre individuos. Los términos de error del segundo nivel, u0j y u1j, capturan desviaciones respecto a las medias poblacionales. A diferencia de los modelos ANOVA y MANOVA clásicos, el modelo de dos estadíos enfatiza la modelización de curvas individuales y posteriormente analiza diferencias en los parámetros de dichas curvas.
Al integrar las ecuaciones de los dos niveles se obtiene el modelo general lineal mixto, que combina una parte fija y una parte aleatoria. En forma matricial se escribe como Yj = Xj γ + Zj uj + ej, donde γ son los efectos fijos, uj los efectos aleatorios con distribución normal y ej los residuos. La varianza de Yj se define como ZGZ’ + R, donde G y R son matrices de covarianza.
Este modelo incluye parámetros de efectos fijos y aleatorios, de ahí el nombre de mixto. Su gran ventaja es que permite especificar estructuras de covariancia flexibles para los errores intra-sujeto, como simetría compuesta, autorregresiva o no estructurada. La elección adecuada de esta estructura es clave para obtener estimaciones precisas de los efectos fijos y de los componentes de varianza.
Los modelos de curvas de crecimiento latente se encuadran dentro del modelado de ecuaciones estructurales y representan una alternativa potente a los modelos mixtos. En ellos, el cambio individual se resume mediante variables latentes: un intercepto que representa el nivel inicial y una pendiente que representa la tasa de cambio. Las medidas repetidas se consideran indicadores de dichas variables latentes.
Este enfoque comparte fundamentos con los modelos multinivel, pero aporta ventajas específicas. Permite incorporar errores de medida, probar la invarianza factorial a lo largo del tiempo y extender el modelo con predictores, mediadores o múltiples grupos. Además, facilita la estimación con datos faltantes bajo el supuesto de ausencia completamente aleatoria mediante máxima verosimilitud con información completa.
En un modelo lineal básico, las cargas factoriales del factor intercepto se fijan a 1 en todos los momentos, mientras que las del factor pendiente se fijan a valores que reflejan la escala temporal, como 0, 1, 2 y 3. La media del intercepto indica el nivel promedio inicial, y la media de la pendiente indica el cambio promedio por unidad de tiempo. Las varianzas de ambos factores capturan diferencias individuales en el punto de partida y en la velocidad de cambio.
La covarianza entre intercepto y pendiente informa si quienes parten de niveles más altos cambian más rápido o más lento. Este parámetro tiene gran relevancia psicológica, por ejemplo, en estudios de desarrollo cognitivo o de recuperación clínica. La posibilidad de añadir predictores de los factores latentes convierte a estos modelos en herramientas flexibles para estudiar los determinantes del cambio.
En comparación con el MANOVA de medidas repetidas, los modelos de curvas latentes no requieren que todas las personas sean medidas en los mismos puntos temporales exactos. Tampoco imponen el supuesto de que las medidas repetidas constituyen un conjunto fijo idéntico para todos los sujetos. Esta flexibilidad es especialmente valiosa en estudios clínicos donde el seguimiento puede ser irregular.
Sin embargo, también presentan limitaciones. Con muestras pequeñas, las estimaciones de componentes de varianza pueden estar sesgadas negativamente. Los resultados de pruebas de hipótesis sobre efectos aleatorios deben interpretarse con cautela cuando el número de unidades de nivel dos es inferior a treinta. Aun así, su capacidad para modelar el cambio individual los convierte en una opción de referencia.
| Modelo | Supuestos clave | Manejo del cambio | Ventajas principales | Limitaciones destacadas |
|---|---|---|---|---|
| ANOVA de medidas repetidas | Esfericidad, normalidad multivariante, homogeneidad | Compara medias globales | Sencillez e interpretación directa | Supuestos restrictivos; no modela trayectorias individuales |
| MANOVA de medidas repetidas | Normalidad multivariante, datos completos | Contrastes de perfil | No exige esfericidad; evalúa tendencias | Elimina el factor tiempo; requiere datos balanceados |
| GMANOVA | Normalidad multivariante, estructura polinómica | Ajuste de curvas fijas | Modela patrones de cambio medios | No especifica variación aleatoria individual compleja |
| Modelo multinivel / mixto | Independencia residual dentro de niveles, normalidad | Efectos fijos y aleatorios por sujeto | Flexible, admite datos no balanceados y covarianzas complejas | Requiere más datos y software especializado |
| Curvas de crecimiento latente | Normalidad multivariante, invarianza de medida | Factores latentes de intercepto y pendiente | Errores de medida, extensiones a SEM, datos faltantes | Mayor complejidad; muestras pequeñas problemáticas |
La elección entre estos modelos depende de los objetivos de la investigación, el tamaño muestral y la estructura de los datos. Para estudios exploratorios con muestras pequeñas y mediciones completas, el ANOVA o el MANOVA pueden ser suficientes. Para investigaciones centradas en el cambio individual, los modelos multinivel y de curvas latentes ofrecen un marco más rico.
En psicología del desarrollo, los modelos de curvas de crecimiento latente permiten analizar trayectorias de habilidades cognitivas desde la infancia hasta la adolescencia. En psicología clínica, son idóneos para estudiar la evolución de síntomas depresivos durante un tratamiento, identificando predictores de respuesta rápida o lenta. En ciencias de la salud, se aplican a datos de biomarcadores, adherencia terapéutica o calidad de vida.
La flexibilidad para incluir covariables que cambian con el tiempo, como el estrés percibido o la dosis de medicación, amplía las posibilidades explicativas. También pueden incorporarse efectos de interacción entre variables de distintos niveles, por ejemplo, si un rasgo de personalidad modera la pendiente de mejora. Estas aplicaciones convierten a los modelos de crecimiento en herramientas esenciales para la investigación aplicada.
Una recomendación práctica es comenzar con un modelo incondicional que estime únicamente la trayectoria promedio y la variabilidad individual. A continuación se añaden predictores del intercepto y de la pendiente para explicar dicha variabilidad. Finalmente, se evalúa la bondad de ajuste mediante índices como el error cuadrático medio de aproximación o el índice de ajuste comparativo, comparando modelos anidados.
Los datos longitudinales muestran cómo cambian las personas a lo largo del tiempo, y analizarlos bien es fundamental en psicología y ciencias de la salud. Los métodos clásicos comparaban promedios en distintos momentos, pero no describían con precisión la trayectoria de cada individuo. Los modelos modernos, especialmente los de curvas de crecimiento latente, permiten representar el punto de partida y la velocidad de cambio de cada persona mediante variables no observables directamente.
En la práctica, esto significa que un investigador puede saber no solo si un grupo mejora por término medio, sino también qué personas mejoran más rápido, quiénes no cambian y qué factores predicen esas diferencias. Esta información es muy valiosa para personalizar tratamientos, diseñar programas educativos o comprender procesos de desarrollo. Aunque estos modelos requieren cierta formación estadística, sus ventajas superan con creces las de los enfoques tradicionales.
Los modelos de curvas de crecimiento latente y los modelos multinivel son equivalentes en muchos aspectos, pero difieren en su implementación y en las extensiones que permiten. Los primeros se estiman en el marco de ecuaciones estructurales y facilitan la inclusión de errores de medida, la comparación de trayectorias entre grupos y la modelización de clases latentes. Los segundos, mediante máxima verosimilitud restringida o completa, ofrecen una especificación directa de estructuras de covariancia residual.
Desde el punto de vista técnico, es crucial evaluar la normalidad multivariante, la invarianza de medida y la linealidad de las trayectorias. La elección de la métrica temporal influye en la interpretación de la pendiente. Asimismo, se recomienda utilizar estimadores robustos cuando existen desviaciones de normalidad o datos atípicos. La comparación entre modelos jerárquicos y de curvas latentes muestra que ambos permiten estimar efectos fijos y aleatorios, pero el enfoque latente aporta mayor flexibilidad para modelar el error de medida y las relaciones entre constructos a lo largo del tiempo.
Mejora tus habilidades en estadística y análisis de datos con expertos en psicología y ciencias sociales. ¡Tu éxito académico comienza aquí!
