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

17

Cuando hablamos de datos longitudinales, podemos referirnos a los datos recopilados a lo largo del tiempo de la misma materia / unidad de estudio repetidamente, por lo tanto, hay correlaciones para las observaciones dentro de la misma materia, es decir, similitud dentro de la materia.

Cuando hablamos de datos de series de tiempo, también nos referimos a los datos recopilados durante una serie de tiempo y parece muy similar a la configuración longitudinal mencionada anteriormente.

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

time-series terminology panel-data

— preguntando
fuente

1

Esto puede convertirse en una encuesta ... He trabajado en ambos tipos de datos, y una diferencia clave parece ser que los datos longitudinales a menudo se usan en análisis causales , para comprender el impacto de las intervenciones o tratamientos, mientras que las series de tiempo a menudo se usan en previsión . Por supuesto, la diferencia no es clara (debe comprender los controladores subyacentes para pronosticar, y la OMI no ha entendido los controladores a menos que pueda pronosticar bien). Pero las personas que hacen detección de señales en series de tiempo a menudo no se preocupan demasiado por el pronóstico, por lo que probablemente rechazarían mi distinción.

— S. Kolassa - Restablece a Mónica el

Gracias por tus comentarios. Pero creo que el término "causal" puede no ser apropiado aquí, sino que el término "asociación" debería ser mejor. En términos del propósito del análisis de datos, creo que sus comentarios tuvieron algún sentido para mí. ¿Pero no podemos usar los datos longitudinales para hacer pronósticos? Dado que también es un tipo de datos de series temporales.

— preguntando el

1

Tienes un punto re "causal" versus "asociación", y por supuesto, los datos longitudinales se pueden usar para pronosticar, es solo que no veo a menudo los dos conceptos juntos. Los pronosticadores suelen hablar de series de tiempo. Aparte de eso, no podría decirlo mejor que @gung.

— S. Kolassa - Restablece a Mónica el

3

Una de las posibles diferencias típicas (no definitorias) es que en las series de tiempo se ve y se modela la respuesta de tiempo

como dependiente del estado

; Este es el efecto de arrastre . En el análisis de tiempo longitudinal, generalmente se considera el tiempo como un factor de fondo permanente y evolutivo.

t

$t$

t - 1

$t-1$

— ttnphns

44

Ver también otros hilos, por ejemplo stats.stackexchange.com/questions/7110/… stats.stackexchange.com/questions/11413/…

— Nick Cox

19

Dudo que haya definiciones estrictas y formales en las que coincida una amplia gama de analistas de datos.

Sin embargo, en general, la serie temporal connota una sola unidad de estudio observada a intervalos regulares durante un período 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 trabaja para una empresa privada, podrían ser ingresos mensuales por ventas durante la vida útil de la empresa. Debido a que hay tantas observaciones, los datos se analizan con gran detalle, buscando cosas como la estacionalidad en diferentes períodos (por ejemplo, mensualmente: más ventas al comienzo de un mes justo después de que se haya pagado a las personas; anualmente: más ventas en noviembre y Diciembre, cuando la gente está comprando para la temporada navideña), y posiblemente cambios de régimen. El pronóstico a menudo es muy importante, como señala @StephanKolassa.

Longitudinal generalmente se refiere a menos mediciones en un mayor número de unidades de estudio. Un ejemplo prototípico podría ser un ensayo farmacológico, donde hay cientos de pacientes medidos al inicio (antes del tratamiento) y mensualmente durante los próximos 3 meses. Con solo 4 observaciones de cada unidad en este ejemplo, no es posible intentar detectar el tipo de características en las que los analistas de series de tiempo están interesados. Por otro lado, con los pacientes presumiblemente aleatorizados en los brazos de tratamiento y control, la causalidad se puede inferir una vez Se ha abordado la no independencia. Como eso sugiere, a menudo la no independencia se considera casi una molestia, más que la característica principal de interés.

— gung - Restablece a Monica
fuente

8

Hay aproximadamente tres tipos de conjuntos de datos:

sección transversal: diferentes temas al mismo tiempo; piense en ello como una fila con muchas columnas correspondientes a diferentes temas;
series de tiempo: el mismo tema en diferentes momentos; piense en ella como una columna con filas correspondientes a diferentes puntos de tiempo;
panel (longitudinal): muchas materias en diferentes momentos, tiene la misma materia en diferentes momentos y tiene muchas materias al mismo tiempo; piense en ello como una tabla donde las filas son puntos de tiempo y las columnas son sujetos.

— Aksakal
fuente

2

Según sus comentarios, ¿parece que los datos longitudinales son un conjunto de datos de series de tiempo múltiples recopilados de diferentes sujetos?

— preguntando el

1

En general, sí, puede ver los datos de cada sujeto como series de tiempo. Sin embargo, en la práctica, los datos longitudinales a menudo tienen muy pocos puntos de tiempo para cada sujeto. Llaman ondas a los puntos de tiempo . Por ejemplo, podría ser un estudio médico en el que cada paciente tiene 4-5 observaciones a intervalos mensuales y cientos de pacientes a lo largo de los años. De esa forma, los conjuntos de datos de panel a menudo no están equilibrados (piense en una tabla muy escasa), por lo que los estudios longitudinales tienen sus propios métodos favoritos para lidiar con esto.

— Aksakal

Esto es útil dada la pregunta, pero hay muchos otros tipos de conjuntos de datos que no se incluyen en ninguno de estos encabezados. Sin embargo, no parecen relevantes para la pregunta, y tratar de clasificar cada tipo de conjunto de datos posible sería inútil aquí. Ejemplos: cualquier conjunto de datos donde la estructura básica es sujeto x sujeto; cualquier conjunto de datos que no sea bidimensional.

— Nick Cox

@NickCox, cierto, pero estoy en econometría, y estos tres son los que tienen teorías desarrolladas, y se utilizan principalmente en nuestro campo

— Aksakal

2

Sin duda lo es, pero nada en la pregunta obliga o incluso alienta un punto de vista econométrico, ni su perspectiva específica se hizo explícita.

— Nick Cox

3

Es posible que estos dos términos no estén relacionados en la forma en que el OP asume, es decir, no creo que sean modos competitivos de análisis.

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

El objeto de estudio en el análisis de series de tiempo 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 (p. ej., diario, semanal, mensual, estacional); y
tendencia

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

— Doug
fuente

0

Para simplificar, asumiré un estudio de individuos, pero lo mismo se aplica a cualquier unidad de análisis. No es complicado, las series de tiempo son datos recopilados a lo largo del tiempo, que generalmente implican la misma medición de una población equivalente en intervalos de tiempo separados, o se recopilan continuamente pero se analizan a intervalos cronometrados.
Datos longitudinales mucho más amplios en alcance. La población equivalente se reemplaza por la población idéntica, por lo que los datos individuales se pueden emparejar o unir con el 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 de tiempo podemos medir el cambio general en la medición a lo largo del tiempo (o por grupo), mientras que en un análisis longitudinal realmente tiene la medición del cambio a nivel individual. Por lo tanto, tiene mucho más potencial para el análisis y la medición del cambio es sin error si el muestreo está involucrado, por lo que un estudio longitudinal puede ser más preciso e informativo.

— dre0303
fuente