Perbedaan antara desain longitudinal dan seri waktu

Apa perbedaan antara desain longitudinal dan deret waktu?

Saya akan menambahkan bahwa dalam konteks deret waktu biasanya diasumsikan bahwa data yang diamati adalah realisasi dari proses stokastik. Oleh karena itu dalam deret waktu banyak perhatian diberikan pada sifat-sifat proses stokastik, seperti stasioneritas, ergodisitas, dll. Dalam konteks longitudinal dalam data pemahaman saya berasal dari sampel biasa (dengan sampel yang saya maksud urutan variabel iid) diamati pada titik yang berbeda di waktu, jadi metode statistik klasik diterapkan, karena mereka selalu menganggap bahwa sampel diamati.

Untuk jawaban singkat, dapat dikatakan bahwa deret waktu dipelajari dalam ekonometrika, desain longitudinal - dalam statistik. Tapi itu tidak menjawab pertanyaan, hanya menggesernya ke pertanyaan lain. Di sisi lain, banyak jawaban pendek melakukan hal itu.

Jika kita memikirkan desain yang terdiri dari kasus yang diukur pada kesempatan k , maka definisi longgar berikut menurut saya adalah deskriptif perbedaan:$n$$k$

• desain longitudinal: tinggi , rendah $n$$k$
• seri waktu: rendah , tinggi $n$$k$

Tentu saja, ini menimbulkan pertanyaan tentang apa yang tinggi dan apa yang rendah. Meringkas pengertian kasar saya sendiri tentang definisi fuzzy ini, contoh-contoh prototipe dari:

• deret waktu mungkin memiliki = 1, 2, atau 5 dan k = 20, 50, 100, atau 1000, dan$n$$k$
• $n$$k$

Pembaruan: Menindaklanjuti pertanyaan Dr Who's tentang apa tujuan dari perbedaan, saya tidak punya jawaban resmi, tetapi di sini ada beberapa pemikiran:

• terminologi berkembang dalam disiplin ilmu yang berkaitan dengan masalah substantif tertentu
• seri waktu
  • sering prihatin dengan meramalkan poin waktu masa depan
  • sering memusatkan perhatian pada pemodelan berbagai proses siklus dan tren
  • sering kali berkaitan dengan menggambarkan dinamika duniawi secara sangat terperinci
  • sering mempelajari fenomena di mana hal tertentu yang diukur adalah minat khusus (misalnya, tingkat pengangguran, indeks pasar saham, dll.)
  • indeks temporal seringkali sudah ada sebelumnya
• desain memanjang:
  • sering menggunakan sampel kasus sebagai contoh populasi untuk membuat kesimpulan tentang populasi (misalnya, sampel anak-anak untuk mempelajari bagaimana anak berubah secara umum)
  • sering berkaitan dengan proses temporal yang cukup umum seperti pertumbuhan, variabilitas dan model perubahan fungsional yang relatif sederhana
  • studi sering secara khusus dirancang untuk memiliki sejumlah titik waktu tertentu.
  • sering tertarik pada variasi dalam proses perubahan

$k$$n$$n$$k$

Bagaimanapun, itulah kesan saya. Mungkin orang lain memiliki wawasan yang lebih luas.

Serangkaian waktu sederhana urutan titik data yang dibedakan dari waktu ke waktu, biasanya dengan interval waktu yang teratur. Sebuah desain memanjang agak lebih spesifik, menjaga sampel yang sama untuk setiap pengamatan dari waktu ke waktu.

Contoh deret waktu dapat berupa pengangguran yang diukur setiap bulan menggunakan survei angkatan kerja dengan sampel baru setiap kali; ini akan menjadi urutan desain cross-sectional. Tapi itu bisa berupa apa saja seperti tabungan pribadi Anda setiap tahun, yang juga akan membujur. Atau mungkin hanya mengikuti kohort tertentu dari orang yang semakin tua, seperti film dokumenter televisi Seven Up! dan sekuelnya setiap tujuh tahun setelah itu - yang terbaru adalah 49 Up pada 2005, jadi harus ada edisi lain tahun depan. Desain longitudinal cenderung memberi tahu Anda lebih banyak tentang cara individu tipikal berubah dari waktu ke waktu, tetapi mungkin (tergantung pada detail desain dan apakah sampel di-refresh) mengatakan lebih sedikit tentang bagaimana populasi secara keseluruhan berubah.

Data deret waktu dinilai secara berkala untuk jangka waktu yang lama. Sedangkan data longitudinal tidak: tindakan yang diulang adalah untuk periode waktu yang singkat. Yaitu pengumpulan data dapat berhenti / dihentikan pada titik waktu tertentu untuk melakukan analisis atau ketika tindakan memuaskan peneliti dalam hal perubahan perilaku.