1

ANLISIS LONGITUDINAL
Notas
ndice
1. DEFINICIONES ...............................................................................................................1
2. QU ES UN ESTUDIO LONGITUDINAL?.....................................................................2
2.1. El estudio longitudinal en la epidemiologa ................................................................................................ 2
2.2. El estudio longitudinal en la estadstica ..................................................................................................... 2
3. DIFERENCIAS ENTRE LOS ESTUDIOS LONGITUDINALES Y LOS DE TABLA DE
VIDA ....................................................................................................................................3
4. PARTICULARIDADES DE LOS ESTUDIOS LONGITUDINALES ...................................4
5. ANLISIS.........................................................................................................................5
6. DISEOS MIXTOS: MULTINIVEL Y LONGITUDINALES ...............................................6
8. APLICACIN DEL ANLISIS LONGITUDINAL AL ESTUDIO DE LA PRESIN
ARTERIAL .........................................................................................................................10
9. MODELOS ESTADSTICOS Y ALGUNOS PROGRAMAS INFORMTICOS PARA SU
ANLISIS...........................................................................................................................13
10. BIBLIOGRAFA CITADA..............................................................................................13
11. BIBLIOGRAFA ADICIONAL........................................................................................14
1. Definiciones
Anlisis longitudinal. El anlisis longitudinal sigue la evolucin en el tiempo de un conjunto de lneas de
vidas, cohortes, generaciones o promociones y la incidencia de los diferentes fenmenos que las afectan.
Es decir, su inters fundamental reside en estudiar como los sucesos demogrficos se relacionan con el
transcurso de la vida de los individuos que forman una generacin. El anlisis longitudinal, llamado tambin
anlisis histrico, estudia los acontecimientos demogrficos en el curso del tiempo referidos a grupos bien
definidos, como una cohorte una generacin o una promocin. El anlisis longitudinal hace nfasis en las
particularidades del grupo demogrfico estudiado.
Cohorte. Este es el termino genrico que designa en demografa a aquel conjunto de personas que han
vivido el mismo acontecimiento demogrfico (nacimiento, matrimonio, divorcio, viudez) durante el mismo
lapso de tiempo (mes, ao, quinquenio, decenio).
Generacin. El termino generacin designa particularmente al conjunto de personas que han nacido
durante el mismo periodo de tiempo. Casi siempre la generacin se refiere a las que han nacido durante el
mismo ao calendario.
Promocin. Este termino se utiliza para designar los matrimonios celebrados durante el mismo lapso de
tiempo, generalmente un ao calendario determinado.
El termino cohorte encierra el de generacin y promocin que se refieren a nacimientos y matrimonios
respectivamente.
Anlisis transversal. El anlisis transversal observa los acontecimientos demogrficos de un mismo ao o
periodo referidos a las personas que confrontan la poblacin en ese momento y por lo tanto incluyendo
cohortes, generaciones y promociones diferentes. Por ejemplo, el estudio de la mortalidad del ao 2002
incluir varias generaciones, promociones y diversas cohortes. Las defunciones del 2003 incluirn personas
nacidas hace mas de 100 aos y personas de 0 aos, personas que contrajeron matrimonio en aos
diferentes y cohortes diversas de divorciados y viudos.
2
2. Qu es un estudio longitudinal?
La discusin sobre el significado del trmino longitudinal la resumi Chin (1989): para los epidemilogos es
sinnimo de estudio de cohortes o seguimiento, mientras que para algunos estadsticos implica mediciones
repetidas. l mismo decide no definir el trmino longitudinal, por ser difcil encontrar un concepto aceptable
para todos, y opta por considerarlo equivalente a seguimiento, el pensamiento ms habitual para los
profesionales de la poca.
2.1. El estudio longitudinal en la epidemiologa
En la dcada de 1980 era muy comn utilizar el trmino longitudinal para separar simplemente la causa del
efecto. En oposicin al trmino transversal. Miettinen lo define como un estudio cuya base es la experiencia
de la poblacin a lo largo del tiempo (al contrario que un corte de la poblacin). Consistente con esta idea,
Rothman (1986) indica que la palabra longitudinal denota la existencia de un intervalo de tiempo entre la
exposicin y el comienzo de la enfermedad. Bajo esta acepcin, el estudio de casos y controles, que es una
estrategia de muestreo para representar esa experiencia de la poblacin a lo largo del tiempo (sobre todo
segn las ideas de Miettinen), tambin sera un estudio longitudinal. De igual forma coincide con esta idea
Abramson, que adems diferencia los estudios descriptivos longitudinales (estudios de cambio) de los
analticos longitudinales, que incluyen dentro a los estudios de casos y controles. Kleinbaum tambin define
el trmino longitudinal en oposicin al transversal pero, con un matiz algo diferente, habla de experiencia
longitudinal de una poblacin (frente a experiencia transversal) que implica la realizacin de al menos dos
series de observaciones a lo largo de un periodo de seguimiento. ste autor excluye los estudios de casos y
controles. Kahn y Sempos tampoco se refieren a estos estudios y en el ndice por palabras clave, en la
entrada estudio longitudinal se lee ver estudio prospectivo.
Esto lo refleja el Diccionario de Epidemiologa de Last, que considera el trmino estudio longitudinal como
sinnimo de estudio de cohortes o estudio de seguimiento. En el texto clsico de Breslow y Day sobre los
estudios de cohortes, el trmino longitudinal se considera equivalente al de cohorte y se utiliza de manera
indistinta. No obstante, Cook y Ware definieron el estudio longitudinal como aqul en el que un mismo
individuo es observado en ms de una ocasin y lo diferenciaron de los estudios de seguimiento, en los que
los individuos son seguidos hasta la ocurrencia de un suceso tal como la muerte o una enfermedad (aunque
este suceso es ya la segunda observacin).
A partir de 1990, varios textos consideran el trmino longitudinal equivalente a otros nombres, aunque la
mayora lo omiten. Reflejo de ello es el libro de Rothman y Greenland, en el que no hay un apartado
especfico para los estudios longitudinales dentro de los captulos dedicados al diseo, y tambin coincide
con esta tendencia la Enciclopedia de Mtodos Epidemiolgicos, que no ofrece una entrada especfica para
este tipo de estudios. La cuarta edicin del Diccionario de Epidemiologa de Last reproduce su entrada de
ediciones anteriores. Gordis lo considera sinnimo de estudio de cohortes prospectivo concurrente. Aday
sigue parcialmente las ideas de Abramson, ya mencionadas, y diferencia los estudios descriptivos (varios
estudios transversales secuenciados en el tiempo) de los analticos, entre los que estn los estudios de
cohortes prospectivos o longitudinales.
En otros terrenos de la medicina clnica, el sentido de longitudinal se considera opuesto al transversal y se
equipara a cohorte, con frecuencia prospectiva. Esto se comprueba, por ejemplo, en las publicaciones
centradas en el campo de la menopausia.
2.2. El estudio longitudinal en la estadstica
Aqu las ideas estn mucho ms claras: un estudio longitudinal es el que implica ms de dos mediciones a
lo largo de un seguimiento; deben ser ms de dos, ya que todo estudio de cohortes tiene este nmero de
mediciones, la del principio y la del final del seguimiento. ste es el concepto existente en el texto
mencionado de Goldstein de 1979. En ese mismo ao Rosner era explcito al indicar que los datos
longitudinales implican mediciones repetidas en los sujetos a lo largo del tiempo, proponiendo un nuevo
procedimiento de anlisis para ese tipo de datos. Desde ese momento, los artculos en revistas de
estadstica y textos son consistentes en el mismo concepto.
Dos obras de referencia en epidemiologa, aunque no definen en el apartado correspondiente los estudios
longitudinales, coinciden con la nocin estadstica prevaleciente. En el libro de Rothman y Greenland,
dentro del captulo Introduccin a la modelacin de la regresin, el propio Greenland afirma que los datos
longitudinales son las mediciones repetidas en los sujetos a lo largo de un periodo de tiempo y que se
pueden realizar para exposiciones dependientes del tiempo (por ejemplo, tabaquismo, consumo de alcohol,
dieta o presin arterial) o resultados recurrentes (por ejemplo, dolor, alergia, depresin, etc.). En la
3
Enciclopedia de Mtodos Epidemiolgicos, la entrada del tamao de muestra incluye un apartado de
estudios longitudinales en el que se ofrece la misma informacin proporcionada por Greenland.
Conviene matizar que la visin estadstica de estudio longitudinal parte de un anlisis de datos particular
(tener en cuenta las medidas repetidas) y que lo mismo sera aplicable a los estudios de intervencin, que
tambin tienen seguimiento.
Para finalizar este apartado, en el nmero monogrfico de Epidemiologic Reviews dedicado a los estudios
de cohortes, Tager, en su artculo centrado en la variable resultado de los estudios de cohortes, clasifica de
manera amplia los estudios de cohortes en dos grandes grupos, de tabla de vida y longitudinales,
aclarando que esta clasificacin es algo artificial. Los primeros son los convencionales, en los que el
resultado es una variable discreta, la exposicin y la poblacin-tiempo se resumen, se estiman incidencias y
la medida principal es el riesgo relativo. Los segundos incorporan un anlisis diferente, aprovechndose de
las mediciones repetidas en los sujetos a lo largo del tiempo, permitiendo una inferencia, adems de
poblacional, a escala individual en los cambios de un proceso a lo largo del tiempo o en las transiciones
entre diferentes estados de salud y la enfermedad.
Las ideas anteriores denotan que en epidemiologa hay una tendencia a esquivar el concepto de estudio
longitudinal. No obstante, resumiendo las ideas comentadas con anterioridad, la nocin de estudio
longitudinal hace referencia al estudio de cohortes en el que se realizan ms de dos mediciones a lo largo
del tiempo y en el que se realiza un anlisis que tiene en cuenta las diferentes medidas. Los tres elementos
claves son: seguimiento, ms de dos medidas y un anlisis que las tenga en cuenta. Esto puede hacerse de
manera prospectiva o retrospectiva, y el estudio puede ser de observacin o de intervencin.
3. Diferencias entre los estudios longitudinales y los de tabla de vida
En la tabla 1 se resumen las caractersticas generales de ambos tipos de diseos. Los estudios de cohortes
tipo tabla de vida son los que resumen la exposicin y la enfermedad en los grupos que se comparan, por
ejemplo, frecuencia del cncer de pulmn en fumadores y no fumadores. La inferencia proporcionada por
estos estudios se refiere a medias poblacionales. Llevan implcita la asuncin de que la exposicin acta de
manera constante en el tiempo y tiene un efecto tambin constante por unidad de tiempo a lo largo del
seguimiento, y slo pueden proporcionar una inferencia limitada sobre la dependencia en el tiempo de las
asociaciones entre la exposicin y el efecto. Un ejemplo de este tipo de estudio puede ser el Nurses' Health
Study, con ms 120.000 enfermeras en 11 estados de EE.UU., en el que la exposicin acumulada a los
anticonceptivos orales se valor como factor de riesgo del cncer de mama.
Los estudios longitudinales en cualquier momento se pueden comportar como los estudios tipo tabla de
vida. Pueden adems realizar inferencias tambin a escala individual, valoran el cambio de procesos a lo
largo del tiempo y las transiciones entre los distintos estados de salud-enfermedad. Un ejemplo, al igual que
el Nurses' Health Study, prolfico en publicaciones, es el MACS (Multicenter AIDS Cohort Study), en el que
se reclutaron casi 5000 varones en cuatro ciudades estadounidenses. Cuando se miden cambios de una
variable en funcin del tiempo, en el diseo hay que tener en cuenta la duracin del seguimiento y el
espaciamiento de las mediciones.
caracterstica comentario
TV nivel de exposicin al inicio de
la cohorte
cada grupo de exposicin debe ser representativo de la
poblacin
Seleccin
de los
sujetos
L adems puede no estar
relacionado con el nivel de una
exposicin nica y explcita
(estudio de historia natural)
lo mismo que los TV. Los sujetos deben ser
representativos de la poblacin diana. La poblacin
diana puede consistir en sujetos con problemas de salud
conocidos
Tiempo TV lo resumen estiman incidencias medias durante el seguimiento, por
edades, o pocas
L lo resumen y pueden evaluar
ciertos efectos explcitamente
adems pueden separar los efectos de cohorte y edad,
modelar las asociaciones relacionadas con el tiempo
entre las observaciones a lo largo del seguimiento, y la
correlacin del efecto sobre varios intervalos de tiempo
Exposicin TV basal, resumirla o categorizarla categoriza los sujetos segn su exposicin inicial o
segn medidas acumuladas de la misma (medidas
durante el seguimiento) y calcular exposiciones
promedio durante todo el perodo o fracciones
4
caracterstica comentario
L adems, pueden formular
explcitamente la dependencia
en el tiempo del efecto
adems evala los efectos de la nueva exposicin
durante el seguimiento sobre los acumulados hasta el
inicio del mismo. Distingue efectos sobre los individuos
de efectos promedio poblacionales. Evala la asociacin
exposicinefecto en cualquier momento de la historia
de los sujetos, y la exposicin actual sobre perfiles de
exposicin pasados
TV primera ocurrencia del mismo malo para los efectos continuos, que se categorizan
perdindose informacin. Las mediciones: tasa, riesgo y
sus cocientes.
Resultado
o efecto
L adems, tasa de cambio
(crecer, declinar) y transiciones
entre estados de salud.
Correlacin del efecto del
tiempo
adems, describe la historia natural de un proceso, de
estados precursores, y elimina la restriccin de la
primera ocurrencia de un proceso de salud
TV medias de grupo o poblaciones slo se establecen conclusiones en el mbito de grupo,
no a escala individual
Inferencia
L adems, inferencia a escala
individual e historia natural del
proceso
lo ya mencionado
Tabla 1. Caractersticas de los estudios de cohortes de tablas de vida (TV) y Longitudinales (1)
4. Particularidades de los estudios longitudinales
Al realizarse mediciones a lo largo del tiempo, el control de la calidad juega un papel esencial. Hay que
garantizar que todas las mediciones se realicen en el momento oportuno y con tcnicas normalizadas. La
larga duracin de algunos estudios obliga a prestar una atencin especial al cambio de personal, al
deterioro de los equipos, al cambio de tecnologas y a las inconsistencias de las respuestas de los
participantes a lo largo del tiempo.
Existe una mayor probabilidad de abandono durante el seguimiento. Los factores que intervienen en ello
son varios
La definicin de una poblacin segn un criterio inestable. Por ejemplo, vivir en un rea geogrfica
concreta puede motivar que participantes con cambios de domicilio no sean elegibles en fases
ulteriores;
Ser mayor cuando en los respondedores que no se contactan una vez, no se vuelve a intentar
establecer el contacto en fases ulteriores del seguimiento;
El objeto del estudio influye; por ejemplo, en un estudio de ciencia poltica los no interesados en poltica
abandonarn ms;
La cantidad de atencin personal dedicada a los respondedores. Las entrevistas telefnicas y por carta
son menos personales que las que se realizan cara a cara, y no se aprovechan para fortalecer los
vnculos con el estudio;
El tiempo invertido por el respondedor en satisfacer la demanda de informacin de los investigadores.
Cuanto mayor sea, mayor ser la frecuencia de abandonos;
La frecuencia del contacto puede tambin influir, aunque no todos estn de acuerdo. Hay estudios que
han documentado que un exceso de contactos perjudica el seguimiento, mientras que otros, o no han
encontrado relacin o sta es negativa.
Para evitar los abandonos conviene establecer estrategias con el fin de retener y rastrear a los miembros
participantes. Debe valorarse al comienzo la voluntad de participacin e informar de lo que se espera de los
participantes. Hay que establecer puentes de unin con los participantes mediante el envo de cartas de
felicitacin, actualizaciones del estudio, etc. La frecuencia de contacto debe ser regular. El personal del
estudio debe ser entusiasta, con facilidad de comunicacin, que responda rpida y adecuadamente a los
problemas de los participantes y adaptable a sus necesidades. No hay que desdear dar incentivos que
motiven la continuacin en el estudio.
5
En tercer lugar, otro problema de mayor calibre frente a otros estudios de cohortes es la existencia de datos
perdidos. Si se requiere que un participante tenga todas las mediciones hechas, puede producir un
problema similar al de los abandonos durante el seguimiento. Para ello se han desarrollado tcnicas de
imputacin de valores perdidos y, aunque se ha sugerido que pueden no ser necesarias si se aplican las
ecuaciones de estimacin generalizadas (anlisis GEE), se ha comprobado que otros procedimientos dan
mejores resultados, incluso cuando las perdidas son completamente aleatorias. Con frecuencia las prdidas
de informacin son diferenciales y se pierden ms mediciones en los pacientes con un peor nivel de salud.
Se recomienda en estos casos que la imputacin de datos se haga teniendo en cuenta los datos ya
existentes del propio individuo al que le faltan.
5. Anlisis
En el anlisis de los estudios longitudinales es posible tratar covariables dependientes del tiempo que
pueden a la vez influir sobre la exposicin en estudio y ser influidas por ella (variables que se comportan
simultneamente como confundidoras e intermedias entre exposicin y efecto). Tambin, de manera similar,
permite controlar resultados recurrentes que pueden actuar sobre la exposicin y ser ocasionados por ella
(se comportan a la vez como confundidores y efectos).
El anlisis longitudinal se puede utilizar cuando existen mediciones del efecto y/o de la exposicin en
diferentes momentos del tiempo. Supongamos que la relacin entre una variable dependiente Y es funcin
de una variable X que cambia en el tiempo (tmporodependiente) y otra Z que es estable en el tiempo
(tmporoindependiente), que se estudian n sujetos en k momentos del tiempo, lo cual se expresa segn
la ecuacin siguiente:
i t i t i i t
y b x z e = + +
donde i es un subndice que hace referencia al individuo;
t es un subndice que hace referencia al instante del tiempo; y
e es un trmino de error ( Z no cambia al ser estable y por eso tiene un solo subndice).
La existencia de varias mediciones permite estimar el coeficiente b sin necesidad de conocer el valor de la
variable estable, al realizar una regresin de la diferencia en el efecto ( ) Y sobre la diferencia de valores de
las variables independientes:
( ) ( )
( )
1 1 1
1 1
i t i i t i i i i t i
i t i i t i
y y b x x a z z e e
b x x e e
= + +
= +
Es decir, no es necesario saber el valor de las variables tmporoindependientes (o estables) en el tiempo.
Esto supone una ventaja sobre otros anlisis, en los que hay que conocer dichas variables. El modelo
anterior es fcilmente generalizable a un vector multivariado de factores cambiantes en el tiempo.
El anlisis longitudinal se realiza dentro del contexto de los modelos lineales generalizados y tiene dos
objetivos: adoptar las herramientas convencionales de regresin, en las que se relaciona el efecto con las
diferentes exposiciones y tener en cuenta la correlacin de las medidas entre sujetos. Este ltimo aspecto
es muy importante. Supongamos que analizamos el efecto del crecimiento sobre la presin arterial; los
valores de presin arterial de un sujeto en los distintos exmenes realizados dependen del valor inicial o
basal y por ello hay que tenerlo en cuenta.
Por ejemplo, el anlisis longitudinal se podra realizar en una cohorte infantil en la que se valora como
exposicin principal la deficiencia de vitamina A (que puede cambiar en el tiempo) sobre el riesgo de
infeccin (que puede ser mltiple a lo largo del tiempo), controlando la influencia de la edad, el peso y la
talla (variables tmporodependientes). El anlisis longitudinal se puede clasificar en tres grandes grupos:
(a) Modelos marginales: combinan las diferentes mediciones (que son cortes en el tiempo) de la
prevalencia de la exposicin para obtener una prevalencia media u otra medida resumen de la
exposicin a lo largo del tiempo, y la relaciona con la frecuencia de la enfermedad. El elemento
longitudinal es la edad o la duracin del seguimiento en el anlisis de regresin. Los coeficientes de
este tipo de modelos se transforman en una razn de prevalencias poblacionales; en el ejemplo de la
vitamina A y la infeccin sera la prevalencia de infeccin en nios con deficiencia de vitamina A dividida
por la prevalencia de infeccin en nios sin dficit de vitamina A.
(b) Los modelos de transicin realizan una regresin del resultado presente sobre valores pasados y sobre
las exposiciones pasadas y presentes. Un ejemplo de ellos son los modelos de Markov. Los coeficientes
6
del modelo se transforman directamente en un cociente de incidencias, esto es, en RRs; en el ejemplo
sera el RR del dficit de vitamina A sobre la infeccin.
(c) Los modelos de efectos aleatorios permiten que cada individuo tenga parmetros de regresin nicos, y
existen procedimientos para resultados normalizados, binarios y datos de persona-tiempo. Los
coeficientes del modelo se transforman en una odds ratio referida al individuo, que se asume constante
en toda la poblacin; en el ejemplo sera la odds de infeccin en un nio con dficit de vitamina A frente
a la odds de infeccin en el mismo nio sin deficiencia de vitamina A.
Los modelos lineales, logstico, de Poisson y muchos anlisis de supervivencia se pueden considerar casos
particulares de modelos lineales generalizados. Hay procedimientos que permiten las entradas tardas o en
momentos diferentes y de manera desigual en la observacin de una cohorte.
Adems de los modelos paramtricos indicados en el prrafo anterior, es posible el anlisis mediante
mtodos no paramtricos; por ejemplo, el uso de anlisis funcional con splines.
Se han mencionado varios textos especficos sobre anlisis de datos longitudinales. Uno de ellos ofrece
incluso ejemplos con las rutinas a escribir para realizar correctamente el anlisis usando diferentes
paquetes estadsticos convencionales (STATA, SAS, SPSS).
6. Diseos mixtos: multinivel y longitudinales
En el anlisis estadstico aplicado en epidemiologa estn proliferando los ejemplos de diseos mixtos,
caracterizados por considerar simultneamente dos o ms dimensiones de anlisis. Comprenden, por un
lado, los diseos multinivel o de niveles mltiples, tambin denominados jerrquicos y, por otro, los estudios
longitudinales o de medidas repetidas. Los estudios multinivel tienen una estructura jerrquica, con
agrupaciones de datos en grupos o clusters. En la bibliografa cientfica estos niveles jerrquicos se
denominan nivel uno y nivel dos, estadio uno y estadio dos, nivel individual y nivel poblacional o nivel
individual y nivel cluster. La caracterstica peculiar de los estudios longitudinales es la medicin repetida a lo
largo del tiempo en cada individuo o sujeto de estudio. Por tanto, se puede considerar la estructura como
mixta, con las observaciones (repetidas) agrupadas dentro de cada individuo y el tiempo se puede
considerar como una variable explicativa ms dentro de cada grupo.
Con el fin de ilustrar el anlisis de los diseos longitudinales, en la figura 1 se representan los registros
correspondientes a dos individuos cualesquiera de una submuestra del estudio VlagtweddeVlaardingen (2)
(Vlaardingen es una comunidad urbana situada en el sudoeste de Holanda, y Vlagtwedde es una
comunidad rural del nordeste). Se trata de un estudio de medidas repetidas sobre la enfermedad pulmonar
obstructiva crnica, cuyo principal objetivo fue identificar los factores de riesgo causantes de la prdida de
capacidad pulmonar en los adultos. En particular cada tres aos, empezando en 1967 (Vlagtwedde) y en
1969 (Vlaardingen), se midi en los sujetos el volumen respiratorio forzado en un segundo (FEV
1
), junto con
la altura y la edad de los sujetos, registrndose tambin la presencia de sntomas respiratorios.
Figura 1 Diseo del estudio longitudinal. NA: ausencia de datos.
Mientras cada una de las columnas de la figura 1 constituira un corte transversal, cada fila se podra
considerar como una serie temporal para cada individuo. Como caractersticas diferenciadoras, en un
diseo longitudinal los perodos de observacin no coinciden necesariamente en todos los individuos; las
variables explicativas pueden ser fijas (como el gnero) o variables en el tiempo (como la edad) y puede
haber una ausencia de datos, codificados como NA en este ejemplo.
7
Como ventaja respecto a los cortes transversales, los anlisis longitudinales permiten estudiar el orden
temporal de los sucesos de inters. En particular, permiten determinar si los factores de riesgo preceden a
los posibles efectos de esos factores sobre las variaciones de la variable de inters, caracterstica
denominada temporalidad. Aunque temporalidad no equivale a causalidad, es evidente que es una
condicin sine qua non. En comparacin con los estudios de series temporales, que suelen utilizar
observaciones agregadas, los estudios longitudinales se basan en observaciones individuales, por lo que el
riesgo de incurrir en sesgos debidos a la agrupacin de sujetos es mucho menor. Por otra parte, a diferencia
del longitudinal, el anlisis de series temporales no permite ni discontinuidades en las observaciones de las
variables de inters ni intervalos de observacin de distinto tamao.
El anlisis longitudinal, al tener en cuenta explcitamente todas las dimensiones, es ms eficiente (en el
sentido de menor variancia en las estimaciones) no slo que el anlisis de series temporales o que los
estudios transversales, sino tambin de la simple combinacin de series temporales y corte transversal,
diseo denominado pooled. De hecho, el anlisis longitudinal es el nico que permite distinguir entre la
variacin entre individuos (interindividual) y la variacin dentro del individuo (intraindividual).
En la figura 2A se establece la relacin entre la edad y el FEV
1
para pacientes asintomticos (lnea superior)
y sintomticos (lnea inferior) en el estudio VlagtweddeVlaardingen, aunque sin distinguir entre las dos
dimensiones del anlisis, individuo y tiempo. Un diseo pooled dira que como promedio o, tcnicamente, a
escala poblacional, a mayor edad del individuo menor ser su capacidad pulmonar y que la presencia de
sntomas respiratorios disminuye la capacidad pulmonar independientemente de la edad. La figura 2B, sin
embargo, refleja mucha variabilidad intraindividual. La evolucin de la capacidad pulmonar en el tiempo para
cada uno de los individuos depende, entre otras cosas, de la edad en que se empez a medir el FEV
1
, de la
ocurrencia de enfermedades respiratorias, etc. Pues bien, el anlisis longitudinal permite estimar
simultneamente la variabilidad interindividual (representada en la fig. 2A) y la variabilidad intraindividual
(fig. 2B).
Figura 2 Relacin entre edad y FEV
1
en el estudio Vlagtwedde-Vlaardingen: (A) diseo pooled;
(B) diseo longitudinal.
7. Aproximaciones al anlisis de datos longitudinales. Modelos marginales y
modelos condicionales
Segn el objetivo propuesto, los estudios longitudinales pueden aproximarse marginal o condicionalmente.
Se utiliza el enfoque marginal cuando se pretenden realizar inferencias poblacionales, como la representada
en la figura 2A, es decir, si lo que se quiere es explicar la relacin entre la variable dependiente y las
variables explicativas con independencia de la variabilidad intraindividual.
El enfoque condicional pretende realizar inferencias individuales. Para ello, modeliza simultneamente la
media de la variable dependiente (la variabilidad interindividual) y la estructura de covariancias o
correlaciones (la variabilidad intraindividual). En este enfoque los parmetros que definen la correlacin
tienen el mismo, y a veces incluso ms, inters que los correspondientes a la media.
Volviendo al estudio de Vlagtwedde-Vlaardingen, nos interesa estimar la relacin entre la capacidad
pulmonar y los sntomas respiratorios, controlando por la edad y la altura de los individuos.
1 0 1 2 3 i j i j i j i j i j
FEV sntomas edad altura u = + + + +
donde i es el subndice que denota individuo ( 1, 2, ,198 i = sujetos);
j es el subndice que seala los perodos de medicin ( 1, 2, j = hasta un mximo de 7);
8
son parmetros desconocidos a estimar (
0
es la ordenada en el origen y
1
es el
parmetro de inters); y
i j
u es un trmino de perturbacin que recoge, entre otros factores, aquellas variables explicativas
de la variabilidad de la capacidad pulmonar distintas de las consideradas en la ecuacin.
La respuesta analizada, el
1
FEV , es una variable continua, por lo que seguir una distribucin de
probabilidad normal, siendo apropiado en este caso la utilizacin de modelos de regresin lineal mltiple.
Consideramos, en primer lugar, un diseo pooled, en el que no se contemplan las dos dimensiones del
anlisis, es decir sin tener en cuenta la presencia de observaciones repetidas para los individuos.
Los resultados de la estimacin por mnimos cuadrados ordinarios (MCO) se detallan en la primera columna
de la tabla 2. Estos resultados, sin embargo, no pueden ser interpretados, puesto que el no tener en cuenta
el diseo longitudinal ha implicado cometer importantes errores de especificacin, los cuales se han
manifestado en una variancia residual no constante entre individuos, es decir, heterocedasticidad (v. la
dispersin que presentan los residuos al cuadrado en la figura 3A) y en autocorrelacin residual (v. la
funcin de autocorrelacin simple en la figura 3B).
Figura 3 Diagnsticos del modelo de regresin lineal mltiple. Diseo pooled. (A)
heterocedasticidad; (B) autocorrelacin.
El enfoque marginal implica que tanto la ordenada en el origen
( )
0
(
1
FEV basal) como los coeficientes
asociados a las variables explicativas (el asociado a sntomas respiratorios,
1
, en particular) son comunes
para todos los individuos. No existe heterogeneidad individual o, dicho de otra forma, todos los efectos (de
las variables explicativas, incluida la ordenada en el origen) son fijos.
1 0 1 2 3 i j i j i j i j i j
FEV sntomas edad altura u = + + + +
El trmino de perturbacin tiene una variancia no constante y est autocorrelacionado.
Los parmetros de la covariancia, es decir, la autocorrelacin y/o la heterocedasticidad, no son de inters
sino que son tratados como un estorbo (nuisance), que se controlan pero no se estiman en el enfoque
marginal. En el caso que se presenta (segunda columna de la tabla 1), un modelo marginal consistira en
estimar por mnimos cuadrados generalizados (para controlar la autocorrelacin y la heterocedasticidad) el
modelo de regresin lineal mltiple de la segunda ecuacin expuesta utilizado en el diseo pooled.
Al igual que el resto de los modelos estimados para el diseo longitudinal, el modelo marginal pasa todas
las pruebas diagnsticas, por lo que puede ser interpretado sin problema. As, se utilizar el enfoque
marginal cuando interese nicamente la inferencia poblacional. En este sentido (segunda columna de la
tabla 1), se puede apreciar que la presencia de sntomas respiratorios reduce la capacidad pulmonar 56,55
mL como promedio, independientemente de la edad y la altura del individuo.
Los modelos de efectos aleatorios constituyen el enfoque condicional ms conocido. Suponen que los
efectos de algunas (o todas) de las variables explicativas (coeficientes de la regresin) son especficos a los
individuos (no comunes a todos ellos). Existe heterogeneidad individual, que es consecuencia de factores
no observables (o variables omitidas) comunes a algunos individuos. En la bibliografa especializada se
suele distinguir entre modelos de efectos aleatorios, cuando los coeficientes de variables explicativas
dicotmicas son especficos a los individuos, y modelos de coeficientes aleatorios, cuando son los
coeficientes de variables continuas. Se ha supuesto que tanto la capacidad pulmonar basal como el efecto
9
del resto de variables explicativas de la capacidad pulmonar varan entre los distintos individuos (v. la
ecuacin que exponemos a continuacin). En este sentido, se puede apreciar que los parmetros contienen
el subndice i que, como ya se ha mencionado, denotan individuo.
1 0 1 2 3 i j i i i j i i j i i j i j
FEV sntomas edad altura u = + + + +
Los resultados de la estimacin del modelo se presentan en la cuarta columna de la tabla 1. El modelo de
efectos aleatorios, que tambin pasa todas las pruebas diagnsticas, permite obtener inferencias
individuales. Ntese que, como promedio, la presencia de sntomas respiratorios reduce la capacidad
pulmonar 47,54 mL, que la capacidad pulmonar se reduce con la edad y que aumenta con la altura. La
particularidad de este modelo, sin embargo, se refleja en la fila de efectos aleatorios de la tabla 2 y en la
figura 4. Observamos que la variabilidad individual es muy importante. Ntese, incluso, que el efecto de los
sntomas sobre la capacidad pulmonar no es el mismo para todos los individuos (figura 4A), contradiciendo
el diseo pooled (primera ecuacin expuesta y figura 2).
Figura 4 Efectos aleatorios: (A) sntomas respiratorios; (B) edad; (C) altura; (D) FEV
1
basal.
Los modelos de transicin de Markov, autorregresivos o de estructura de covarianza, son otro tipo de
aproximacin condicional. Modelan en una ecuacin nica la esperanza condicional de la respuesta y la
dependencia (correlacin) entre las observaciones dentro de cada grupo. En el ejemplo (cuarta ecuacin),
se propone un modelo autorregresivo de orden uno. En l la esperanza condicional de la variable respuesta
depende, adems de las variables explicativas, del comportamiento previo de ella misma (es decir, se
introduce como una variable explicativa ms la variable respuesta retardada un perodo).
1 0 1 2 3 1 1 i j i j i j i j i j i j
FEV sntomas edad altura FEV u = + + + + +
El trmino de perturbacin tiene una variancia no constante y est autocorrelacionado.
Los resultados de la estimacin del modelo autorregresivo se presentan en la tercera columna de la tabla 2.
Obsrvese que este modelo ha permitido estimar la dependencia entre las observaciones de un mismo
individuo, igual a 0,799 como promedio.
10
Tabla 2. Estimacin de la relacin entre capacidad pulmonar y sntomas respiratorios, controlando
por edad y altura de los individuos (estudio Vlagtwedde-Vlaardingen).
Los modelos autorregresivos, a diferencia de otros modelos condicionales, suponen que la dependencia
entre observaciones repetidas, el coeficiente asociado a la respuesta retardada ( ) es un efecto fijo, es
decir, comn a todos los individuos. Por otra parte, la estructura de dependencia implicada por los modelos
autorregresivos de orden uno implica que la mayor influencia sobre la variable dependiente la produce el
valor inmediatamente precedente, decayendo la influencia de forma exponencial conforme nos alejamos en
el tiempo.
8. Aplicacin del anlisis longitudinal al estudio de la presin arterial
Consideremos el ejemplo, de registrar diferentes medidas de presin arterial para cada paciente en
diferentes das. Las diferentes presiones registradas para cada unidad de observacin (paciente) estn
correlacionados es razonable pensar que la variabilidad entre las medidas de cada sujeto sea menor que
entre los diferentes sujetos y no pueden por tanto considerarse como observaciones independientes,
supuesto bsico para estimar un modelo de regresin clsico.
Es verdad que mediante el anlisis de la varianza es posible contemplar diseos con medidas repetidas
sobre el mismo elemento de observacin, pero tienen el inconveniente de que el nmero de observaciones
por elemento debe ser idntico (equilibrado), requisito que salvo en los estudios experimentales es muy
difcil de cumplir, y an en stos es posible que se den prdidas que rompen el equilibrio del diseo.
Para ilustrar este tipo de situaciones, se plantear el siguiente ejemplo. Supngase que se desea estudiar la
influencia de la actividad fsica del sujeto en la variabilidad de la presin ambulatoria, as como las posibles
diferencias entre hombres y mujeres y la influencia del ndice de masa corporal. Para simplificar se va a
considerar slo la presin arterial sistlica (PAS). Se tiene para cada sujeto diferentes lecturas de PAS, y
para cada una de ellas un ndice de actividad fsica (que se supone medido en una escala de 0 a 100). Se
empieza formulando un modelo de regresin lineal para cada paciente:
0 1
PAS actividad e = + +
Se tendr tantas ecuaciones de regresin (PAS en funcin de la actividad) como pacientes, por lo que se va
a representar el modelo de una forma ms general:
11
0 1 i j i j i j
y x e = + +
donde i es el subndice que corresponde al paciente;
j es el subndice que corresponde a cada observacin para un mismo paciente;
y es la variable dependiente, en el ejemplo PAS;
x es la variable independiente (de momento se va a considerar una sola, que en el ejemplo
planteado ser el ndice de actividad);
e recoge la parte de variabilidad individual no explicada por la regresin (error o residuo).
Si se estudian n pacientes, se tienen n ecuaciones de regresin, y por lo tanto n valores para los
coeficientes
0
y para
1
.
Los valores de esos coeficientes
0
y
1
pueden considerarse como una variable aleatoria y calcular su
media y desviacin tpica. Si se tienen dos grupos de pacientes clasificados por ejemplo segn el sexo, es
razonable calcular para cada grupo la media de
1
(media de las pendientes de las regresiones
individuales) y compararlas para ver si existen diferencias: para comprobar si influye de diferente manera el
ndice de actividad en la PAS en el grupo de hombres que en el de mujeres.
Si, de una forma ms general, se contempla la posible influencia de una variable numrica continua (no
cualitativa como el sexo), como por ejemplo el ndice de masa corporal (eso s hay un nico valor de IMC
para cada paciente, a lo largo de todas sus observaciones), interesa tambin conocer su posible influencia
en esa relacin entre la PAS ambulatoria y el ndice de actividad. Al igual que se hizo antes con los valores
de PAS y actividad se puede ajustar una ecuacin de regresin para los coeficientes
0
y
1
en funcin
del IMC. Para
1
en el paciente i se plantea la siguiente ecuacin:
1 10 11 i i i
a a IMC r = + +
y para
0
se tendr una ecuacin similar.
La combinacin de los dos modelos de regresin nos permite considerar la influencia del grado de actividad
en la variabilidad de la lectura de PAS ambulatoria, as como tener en cuenta las posibles diferencias
debidas al IMC del sujeto.
Tanto en la primera ecuacin de regresin como en la segunda pueden intervenir ms variables
independientes. As en la primera ecuacin para cada valor de PAS adems del ndice de actividad se
podra haber incluido, por ejemplo, una variable dicotmica que indica si la lectura corresponde al da o a la
noche. Y en la segunda ecuacin podra intervenir tambin, adems del IMC, el sexo, si fuma, tipo de
medicacin antihipertensiva...
Otra clase de estudios en los que se encuentran observaciones correlacionadas, no independientes, son los
denominados datos agrupados (clustered data), en los que existe un diseo jerrquico. Por ejemplo,
pacientes agrupados en hospitales, en los que interesa conocer qu caractersticas del paciente afectan a la
variable analizada o tambin qu caractersticas del grupo o bloque (en este caso el hospital) afectan
asimismo a ese resultado. Un ejemplo podra ser un estudio para analizar qu factores de riesgo se asocian
con hipertensin en pacientes diabticos en atencin primaria, en el que se incluyen centros con diferentes
caractersticas. Cada centro aporta inicialmente el mismo nmero de pacientes al estudio, seleccionados de
forma aleatoria. Es razonable pensar que con datos agrupados las observaciones pertenecientes al mismo
grupo o bloque son en general ms similares entre s que con respecto a las de otros grupos, lo que violara
la condicin de independencia entre las observaciones. As en el ejemplo anterior puede ocurrir que los
pacientes que atiende uno de los centros sean todos ancianos, otro centro fundamentalmente sujetos
desempleados por encontrarse en una zona de poblacin con alta tasa de paro...
Cuando las observaciones no son independientes las pruebas estadsticas habituales, que se basan en la
existencia de tal independencia, tienden a producir errores estndar ms pequeos, al considerar el tamao
de la muestra como el conjunto de todas las observaciones, con lo que se obtiene una sobreprecisin
espuria, y ms resultados "estadsticamente significativos" de lo debido. Est claro que si se van a extraer
conclusiones respecto a los hospitales, el tamao de muestra no es el nmero de pacientes, sino el nmero
de hospitales.
Esta estructura jerrquica de los datos: observaciones agrupadas en bloques, hacen que este tipo de
modelos se conozca con el nombre de modelos multinivel (multilevel), siendo los ms utilizados los de dos
niveles. En el caso de los estudios longitudinales el segundo nivel lo constituyen los sujetos y el primer nivel
12
las observaciones sobre cada sujeto. En los estudios de datos agrupados el segundo nivel corresponde al
bloque (por ejemplo hospital) y el primer nivel a las unidades de observacin (sujeto). Se podra tener tres
niveles (o ms): hospital, servicio, paciente.
Otros tipos de investigaciones con medidas correlacionadas son los estudios de crecimiento, en los que los
sujetos se evalan en diferentes edades o momentos, y tambin los de curvas de dosis-respuesta en los
que se evala la respuesta de cada sujeto para diferentes dosis del frmaco.
Tambin en los metanlisis en los que se dispone de datos individuales de los pacientes, se encuentran
asimismo datos agrupados, en el que los pacientes (nivel 1) se agrupan en bloques constituidos por cada
estudio particular (nivel 2).
De una forma general se puede describir el modelo jerrquico que incluya cualquiera de los casos
enunciados anteriormente. Para ello supngase que se tiene 1 i n = unidades en el nivel 2 (bloques en el
caso de datos agrupados, sujetos para los estudios longitudinales) y 1, ,
i
j n = observaciones en el nivel
1 (sujetos en datos agrupados, observaciones repetidas en el contexto de estudios longitudinales), el
modelo de regresin se puede escribir entonces de forma general como:
i i i i i
y = W + X b + e
donde: y es el vector respuesta de dimensin 1
i
n (obsrvese el subndice i que indica que puede
haber diferentes observaciones por sujeto o por bloque);
i
W es una matriz diseo
i
n p para los efectos fijos;
es un vector 1 p de coeficientes de regresin fijos a estimar (desconocidos);
i
X es una matriz diseo
i
n r para los efectos aleatorios;
i
b es un vector 1 r de efectos individuales a estimar (desconocido); y
i
e es un vector 1
i
n de residuos de regresin que corresponde a la variabilidad de las
observaciones que an queda sin explicar con nuestro modelo.
Se han utilizado el alfabeto griego para designar los efectos fijos y el romano para los efectos aleatorios.
Con objeto de ilustrar cmo se traduce este modelo a la hora de aplicarlo a datos reales, supngase un
ejemplo sencillo en el que se est evaluando dos frmacos antihipertensivos en pacientes nuevos, divididos
en dos grupos a los que se les asigna el tratamiento de forma aleatoria. Para simplificar se concentrar el
inters nicamente en la PAS que se registra antes del tratamiento (valor basal) y durante los cinco meses
siguientes. Se est interesado en evaluar si hay evidencia de mejora diferencial a lo largo del tiempo entre
los pacientes tratados con uno u otro frmaco. Una representacin matricial de este modelo para el paciente
i es la siguiente:
0
1
2 0 0
3 1 1
4
5
0 1 0
1 1 1
2 1 2
3 1 3
4 1 4
5 1 5
i i i
i i i
i i i i
i i i i
i i i
i i i
PAS Trat Trat e
PAS Trat Trat
PAS b Trat Trat
PAS b Trat Trat
PAS Trat Trat
PAS Trat Trat

= + +

0
1
2
3
4
5
i
i
i
i
i
i
e
e
e
e
e










Se tiene pues un modelo que estima la PAS con dos factores aleatorios: una ordenada (primera columna de
unos) y tendencia lineal a lo largo del tiempo (segunda columna 0 ... 5, basal y meses siguientes); y dos
factores fijos: tratamiento (primera columna de la segunda matriz, asignando el valor 0 para el primer
tratamiento y 1 para el segundo tratamiento). El tratamiento de cada paciente no vara a lo largo de todo el
estudio, por lo que para algunos pacientes se tendr una primera columna de 0 y para otros una columna de
1 en la segunda matriz. Y, por ltimo, en la segunda columna de la segunda matriz se tiene la interaccin
tratamiento / semana (producto de ambas variables), que permitir evaluar si los dos grupos de pacientes
difieren en su evolucin a lo largo del tiempo.
Este tipo de modelos aqu planteado se conoce tambin con el nombre de modelos lineales mixtos ("linear
mixed model"), debido a que incorporan tanto factores fijos (tratamiento) como aleatorios (evolucin del
paciente a lo largo del tiempo).
13
En este ejemplo, la constante u ordenada (en la literatura anglosajona "intercept") determina el nivel basal
medio de la PAS para los pacientes que reciben el primer tratamiento (TRAT=0).
0
cuantifica cunto ms
alta o baja (signo negativo) es la PAS basal en el segundo grupo de tratamiento (TRAT=1) respecto del
primero. Esto es as por cmo se ha elegido la codificacin (0 para el instante basal en la variable tiempo y
0 para el primer grupo de tratamiento), con otra codificacin el significado sera diferente.
El coeficiente b
1
cuantifica el descenso global (si su signo es negativo) de la PAS de los pacientes a lo largo
del estudio, y el coeficiente
1
permite contrastar si hay diferencias en esa evolucin entre los dos grupos
de tratamiento.
El modelo permite tambin calcular la varianza y covarianza de los efectos aleatorios, es decir la variabilidad
individual de la PAS basal y de la evolucin.
Esta clase de modelos se puede extender a relaciones no lineales entre las observaciones y los trminos
fijos y aleatorios, como puede ser por ejemplo una regresin logstica, cuando la variable resultado es un
suceso dicotmico o policotmico (ms de dos respuestas nominales). En este caso se habla de modelos
lineales mixtos generalizados ("generalized linear mixed model"), y el concepto e interpretacin son
similares a los descritos, aunque la matemtica es todava ms compleja.
Los modelos lineales generalizados permiten tambin manejar observaciones multivariantes, es decir
situaciones en las que se considera ms de una variable dependiente (variables objetivo) para los sujetos.
En el ejemplo podra interesar el anlisis de forma conjunta de la PAS y PAD. La formulacin planteada por
los modelos lineales mixtos es ms flexible que la regresin multivariante tradicional, ya que por ejemplo
permite usar covariantes diferentes y comunes para cada variable dependiente, y adems no se excluyen
los pacientes con ausencias en alguna de las variables dependientes.
En el modelo planteado se ha supuesto hasta ahora que los residuos
i j
e son independientes, pero en los
estudios longitudinales, en los que las observaciones siguen una secuencia temporal, es razonable pensar
que las observaciones contiguas se parezcan ms entre s que las observaciones separadas en el tiempo.
En estos casos se puede considerar incluir esa relacin para los residuos, usando tcnicas del rea de la
estadstica matemtica conocida como anlisis de series temporales.
La aplicacin de estas tcnicas est poco difundida en la literatura biomdica, probablemente debido a su
complejidad, y a que hasta hace poco no exista el software adecuado para efectuar los clculos, y de
hecho se encuentran pocas referencias en la literatura mdica. No obstante es indudable su gran utilidad en
bastantes situaciones, aunque tambin en muchas otras, en las que no se da la complejidad estructural aqu
planteada, ser suficiente con las tcnicas de regresin clsicas.
En cualquier caso los modelos matemticos y estadsticos no son sino una herramienta ms para ayudar en
la investigacin de teoras que deben estar bien argumentadas y nunca a la inversa, y el objetivo ha de ser
siempre simplificar y clarificar la interpretacin de los datos y no aadir complejidad adicional mediante
artificios matemticos.
9. Modelos estadsticos y algunos programas informticos para su anlisis
Los modelos estadsticos que se deben utilizar dependen del tipo de variable-respuesta analizada. Si se
trata de una variable cuantitativa continua, distribuida normalmente, se utilizan modelos de regresin lineal,
denominados modelos mixtos lineales, utilizndose modelos mixtos no lineales en otro caso. Cuando la
variable respuesta es cuantitativa discreta se utilizan regresiones (mixtas) de Poisson, y regresiones
(mixtas) logsticas binomiales o multinomiales, cuando la variable respuesta es dicotmica (distribucin
binomial) o policotmica (distribucin de probabilidad multinomial), respectivamente.
Diversos programas y paquetes estadsticos informticos permiten analizar los modelos analizados. BMDP,
MLn y HLM permiten estimar modelos multinivel y, muy raramente, modelos longitudinales sencillos. Otros
programas ms generales, como SAS y SPlus permiten analizar cualquier tipo de modelo mixto, tanto
multinivel como longitudinal. Un enfoque bayesiano para analizar modelos mixtos generales puede
encontrarse en el programa BUGS. Desafortunadamente, otros programas de uso ms extendido, como el
SPSS, slo permiten el anlisis de modelos marginales.
10. Bibliografa citada
1. Tager IB. Outcomes in cohort studies. Epidemiol Rev. 1998;20(1):15-28.
2. Delgado M, Llorca J. Estudios longitudinales: concepto y particularidades. Rev Esp Salud Pblica
2004;78(141-148).
14
11. Bibliografa adicional
1. Bhargava A. A longitudinal analysis of the risk factors for diabetes and coronary heart disease in the
Framingham Offspring Study. Popul Health Metr. 2003;1(1):3. (www.pophealthmetrics.com/1/1/3)
2. Cnaan A, Laird NM, Slasor P. Using the general linear mixed model to analyse unbalanced repeated
measures and longitudinal data. Stat Med. 1997;16(20):2349-80.
4. Diggle JP, Heagerty P, Liang KY, Seller SL. Analysis of longitudinal data. Oxford: Oxford University
Press; 2003.
5. Fitzmaurice GM, Laird NM, Ware JH. Applied longitudinal analysis. Hoboken, NJ: John Wiley & Sons;
2004.
6. Hubbard A, Jewell NP. Analyis of longitudinal studies in epidemiology. Boca Ratn, FA: Chapman &
Hall/CRC; en prensa.
7. Saez M. El problema de las medidas repetidas. Anlisis longitudinal en epidemiologa. Gac Sanit
2001;15(4):347-352.
8. Singer JD, Willett JB. Applied longitudinal data analysis: modeling change and event
occurrence. New York: Oxford University Press; 2003.
10. Withers E, Radnor Z, Rashman L, Hartley J. Longitudinal analysis of casestudies of engagement
learning and improvement through the Beacon scheme. In:. Wetherby. West Yorkshire: Communities and
Local Government Publications; 2007. (http://www.communities.gov.uk/documents/localgovernment/pdf/
longitudinalanalysis)
http://biosun1.harvard.edu/~fitzmaur/ala/lectures.html
http://www.seh-lelha.org/mixedmodels.htm