¿Cuáles son las diferencias entre los términos "análisis de series de tiempo" y "análisis de datos longitudinales"?

Question

Cuando hablamos de datos longitudinales, podemos referirnos a los datos recogidos a lo largo del tiempo del mismo sujeto/unidad de estudio repetidamente, por lo que hay correlaciones para las observaciones dentro del mismo sujeto, es decir, similitudes dentro del sujeto.

Cuando hablamos de datos de series temporales, también nos referimos a los datos recogidos a lo largo de una serie de tiempo y parece muy similar al entorno longitudinal mencionado anteriormente.

Me pregunto si alguien puede proporcionar una clara aclaración entre estos dos términos, ¿cuál es la relación y cuáles son las diferencias?

Answer 1

Dudo que haya definiciones estrictas y formales con las que estén de acuerdo una amplia gama de analistas de datos.

Sin embargo, en general, series temporales connota una única unidad de estudio observada a intervalos regulares durante un periodo de tiempo muy largo. Un ejemplo prototípico sería el crecimiento anual del PIB de un país durante décadas o incluso más de cien años. Para un analista que trabaje para una empresa privada, podrían ser los ingresos mensuales por ventas a lo largo de la vida de la empresa. Como hay tantas observaciones, los datos se analizan con gran detalle, buscando cosas como la estacionalidad en diferentes periodos (por ejemplo, mensualmente: más ventas a principios de mes justo después de que la gente haya cobrado; anualmente: más ventas en noviembre y diciembre, cuando la gente está comprando para la temporada navideña), y posiblemente cambios de régimen. La previsión suele ser muy importante, como señala @StephanKolassa.

Longitudinal suele referirse a un menor número de mediciones en un mayor número de unidades de estudio. Un ejemplo prototípico podría ser un ensayo de medicamentos, en el que hay cientos de pacientes a los que se les realiza una medición al inicio (antes del tratamiento) y mensualmente durante los 3 meses siguientes. Con sólo 4 observaciones de cada unidad en este ejemplo, no es posible intentar detectar los tipos de características que interesan a los analistas de series temporales. Por otro lado, con los pacientes presuntamente asignados al azar en los brazos de tratamiento y control, la causalidad puede inferirse una vez que se ha abordado la no independencia. Como esto sugiere, a menudo la no independencia se considera casi una molestia, en lugar de la característica principal de interés.

Answer 2

Considera el funcionamiento del circuito.

Cuando el transistor está encendido, la corriente fluye en la bobina de arriba a abajo. La corriente en la bobina sigue fluyendo.

Para el circuito de la izquierda esta corriente puede ahora fluir de vuelta a Vcc a través del diodo el voltaje a través de la bobina ha invertido la dirección y está limitado por el diodo la corriente puede decaer a cero con seguridad.

En el circuito de la derecha el diodo no ayuda. La corriente que fluye en la bobina obligará a la tensión en el colector a subir hasta el punto en que el transistor (o posiblemente el diodo) se rompa y empiece a conducir. En este punto la corriente puede empezar a decaer en la bobina pero la energía en el transistor roto (o menos probablemente el diodo) será excesiva y puede resultar en la muerte de los transistores. Tenga en cuenta que un diodo zener funcionará aquí porque permite que el voltaje en la bobina se invierta para que la corriente pueda decaer a cero mientras se limita el voltaje a través del transistor a un valor seguro.

Hay que tener en cuenta que permitir que la tensión a través de la bobina se invierta a una tensión más alta significa que la corriente puede decaer más rápidamente, por lo que a veces se ve un zener en el circuito de la derecha o más de un diodo en serie en el de la izquierda.

Answer 3

Es posible que estos dos términos no estén relacionados de la forma que supone el PO, es decir, no creo que sean modos de análisis que compitan entre sí.

En cambio, el análisis de series temporales describe un conjunto de técnicas de nivel inferior que pueden ser útiles para analizar datos en un estudio longitudinal.

El objeto de estudio en el análisis de series temporales es alguna señal dependiente del tiempo.

La mayoría de las técnicas para analizar y modelar/predecir estas señales dependientes del tiempo se basan en la premisa de que estas señales son descomponibles en varios componentes. Los dos más importantes son:

• componentes cíclicos (por ejemplo, diario, semanal, mensual, estacional); y

• tendencia

En otras palabras, el análisis de series temporales se basa en explotar la naturaleza cíclica de una señal dependiente del tiempo para extraer una señal subyacente.

Answer 4

¿Qué son los datos longitudinales?

Los datos longitudinales, a veces denominados datos de panel, hacen un seguimiento de la misma muestra en diferentes momentos. La muestra puede consistir en individuos, hogares, establecimientos, etc. Por el contrario, los datos transversales repetidos, que también proporcionan datos a largo plazo, ofrecen la misma encuesta a diferentes muestras a lo largo del tiempo.

Los datos longitudinales tienen una serie de ventajas sobre los datos transversales repetidos. Los datos longitudinales permiten medir los cambios dentro de la muestra a lo largo del tiempo, permiten medir la duración de los acontecimientos y registran el momento de los distintos acontecimientos. Por ejemplo, supongamos que la tasa de desempleo se mantiene alta durante un largo periodo de tiempo. Se pueden utilizar los datos longitudinales para ver si el mismo grupo de individuos permanece desempleado durante todo el período o si diferentes grupos de individuos entran y salen del desempleo a lo largo del período.

Fuente

Answer 5

Para simplificar, supondré un estudio de individuos, pero lo mismo se aplica a cualquier unidad de análisis. No es complicado, las series temporales son datos recogidos a lo largo del tiempo, que suelen implicar la misma medición de una población equivalente en intervalos de tiempo distintos, o recogidos de forma continua pero analizados en intervalos de tiempo.
Los datos longitudinales tienen un alcance mucho más amplio. La población equivalente se sustituye por la población idéntica, por lo que los datos individuales pueden emparejarse o unirse a lo largo del tiempo. Los datos longitudinales pueden ser mediciones repetidas o no dependiendo del objetivo del estudio. Cuando los datos longitudinales se parecen a una serie temporal es cuando medimos lo mismo a lo largo del tiempo. La gran diferencia es que en una serie temporal podemos medir el cambio global de la medida a lo largo del tiempo (o por grupo) mientras que en un análisis longitudinal se tiene realmente la medición del cambio a nivel individual. Por lo tanto, hay mucho más potencial de análisis y la medición del cambio no tiene errores si se trata de un muestreo, por lo que un estudio longitudinal puede ser más preciso e informativo.