📊 statistics

Dynamic Latent Class Structural Equation Modeling: A Hands-On Tutorial for Modeling Intensive Longitudinal Data

Este artículo ofrece una guía práctica paso a paso para implementar modelos de ecuaciones estructurales de clases latentes dinámicas (DLCSEM) en el software bayesiano JAGS, utilizando un ejemplo clínico sobre el tratamiento de la ansiedad generalizada para demostrar cómo integrar modelos de series temporales, multivariados y de Markov oculto.

Autores originales: Roberto Faleh, Sofia Morelli, Vivato Andriamiarana, Zachary J. Roman, Christoph Flückiger, Holger Brandt

Publicado 2026-03-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Roberto Faleh, Sofia Morelli, Vivato Andriamiarana, Zachary J. Roman, Christoph Flückiger, Holger Brandt

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que este artículo es como un manual de instrucciones para un "GPS de la mente humana".

Los autores (Roberto, Sofia y su equipo) nos están enseñando cómo usar una herramienta estadística muy potente llamada DLCSEM (Modelo de Ecuaciones Estructurales Latentes Dinámicas de Clases). Suena complicado, ¿verdad? Pero vamos a desglosarlo con analogías sencillas.

1. El Problema: La vida no es una línea recta

Imagina que quieres estudiar cómo mejora la ansiedad de una persona durante una terapia.

El método antiguo: Le preguntas a la persona el lunes, el miércoles y el viernes. Es como tomar fotos estáticas. Ves dónde estaba, pero no sabes cómo se movió entre fotos.
El nuevo método (ILD): Ahora, gracias a los móviles y relojes inteligentes, podemos preguntar a la persona miles de veces al día. Tenemos un video continuo de su vida, no solo fotos.

El problema es que la mente humana es caótica. A veces la ansiedad baja de golpe, a veces sube, y a veces la forma en que la persona entiende sus propios sentimientos cambia. Los métodos antiguos no podían capturar esos "cambios de película" en tiempo real.

2. La Solución: El "GPS" con Vías Alternas (DLCSEM)

Los autores proponen un modelo que funciona como un sistema de navegación inteligente que no solo sabe dónde estás, sino que detecta si has cambiado de "modo de conducción".

Ellos construyen este modelo paso a paso, como si fuera un set de LEGO:

Paso 1: El Mapa Estático (CFA): Primero, verifican que el mapa es correcto. ¿Significan las palabras "ansiedad" y "alianza terapéutica" lo mismo al principio que al final? Es como asegurarse de que la brújula no está rota antes de salir de viaje.
Paso 2: El Movimiento (Series Temporales): Luego, miran cómo se mueve la persona. Si hoy estás ansioso, ¿mañana lo estarás también? Es como ver la velocidad y la dirección del coche.
Paso 3: Las Diferencias Personales (Multinivel): No todos los coches van a la misma velocidad. Unas personas tienen una ansiedad base más alta que otras. El modelo aprende a reconocer el "estilo de conducción" único de cada paciente.
Paso 4: El Cambio de Estado (HMSM - ¡La Magia!): Aquí es donde entra la magia. A veces, la persona no solo mejora un poco; cambia de estado.
- Analogía: Imagina que conduces por una carretera llena de baches (Estado 1: Ansiedad alta). De repente, el coche entra en un túnel y sale en una autopista lisa (Estado 2: Ansiedad baja). El modelo DLCSEM es capaz de detectar exactamente cuándo ocurrió ese cambio de túnel y cómo cambió el comportamiento del coche después.

3. Los Dos Ejemplos Reales (La Prueba de Fuego)

Para enseñarnos cómo usarlo, usaron datos reales de pacientes con ansiedad.

Ejemplo A: El "Salto" de la Ansiedad (Ilustración 5)
Imagina que la ansiedad de un paciente es una montaña rusa. El modelo detectó que, para la mayoría, hubo un momento exacto (alrededor de la sesión 5) donde la montaña rusa dejó de subir y bajó de golpe hacia la calma.
- Lo que aprendimos: La terapia no siempre es una mejora lenta y constante. A veces hay un "clic" mental, un momento de ruptura donde todo cambia de golpe. El modelo nos dice cuándo ocurre ese clic.
Ejemplo B: El Cambio de Lente (Ilustración 6)
Aquí miraron la relación entre el paciente y el terapeuta (la "alianza").
- Al principio: El paciente veía la relación como tres cosas separadas: "¿Hacemos lo que toca?", "¿Tenemos metas comunes?", "¿Me cae bien?".
- Al final: El modelo detectó que la visión del paciente cambió. Ahora veía la relación como una sola cosa unificada.
- Analogía: Al principio, el paciente miraba a través de tres lentes de colores diferentes. De repente, se quitó los lentes y vio todo con una sola visión clara. El modelo detectó ese cambio en la "estructura" de la percepción.

4. ¿Por qué es importante esto?

Este tutorial es como enseñar a un mecánico a reparar un motor de F1 en lugar de un coche viejo.

Personalización: Permite a los terapeutas saber exactamente cuándo un paciente ha tenido un "cambio de estado" y ajustar la terapia en tiempo real.
Precisión: No asume que todos mejoran igual. Reconoce que cada persona tiene su propio ritmo y sus propios momentos de cambio.
Flexibilidad: Es un "cubo de construcción" (LEGO). Puedes empezar simple y añadir piezas complejas según lo que tus datos te cuenten.

En resumen

Los autores nos dicen: "La mente humana es dinámica y cambia de forma. No la trates como una foto estática. Usa este modelo para ver el video completo, detectar los giros bruscos y entender que, a veces, la forma en que las personas ven el mundo cambia de un día para otro."

Es una guía práctica para que los investigadores puedan usar este "GPS mental" y ayudar a las personas de manera más precisa y humana.

A continuación presento un resumen técnico detallado del artículo "Dynamic Latent Class Structural Equation Modeling: A Hands-On Tutorial for Modeling Intensive Longitudinal Data", traducido y estructurado en español.

1. El Problema y el Contexto

La investigación psicológica y clínica moderna se enfrenta cada vez más a la necesidad de analizar datos longitudinales intensivos (ILD), obtenidos mediante evaluaciones ecológicas momentáneas (EMA) o dispositivos portátiles. Estos datos capturan múltiples observaciones de los mismos sujetos a lo largo de muchos intervalos de tiempo (desde 30 hasta cientos de puntos).

El problema central abordado es la limitación de los modelos estadísticos tradicionales para capturar la complejidad de estos datos, específicamente:

La heterogeneidad interindividual (diferencias entre personas).
La dinámica intra-individual (cambios dentro de una persona a lo largo del tiempo).
La existencia de estados latentes no observados que cambian dinámicamente (ej. un paciente pasa de un estado de "alta ansiedad" a "mejora", o la estructura factorial de una escala cambia con el tiempo).
La dificultad de integrar modelos de ecuaciones estructurales (SEM), series temporales y clases latentes en un solo marco coherente que permita inferencias bayesianas robustas.

2. Metodología

El artículo propone una guía práctica paso a paso para implementar Modelos de Ecuaciones Estructurales de Clases Latentes Dinámicas (DLCSEM) utilizando el software de inferencia bayesiana JAGS integrado en R.

La estrategia metodológica se construye de forma modular, partiendo de conceptos básicos hasta llegar al modelo completo:

Análisis Factorial Confirmatorio (CFA): Se evalúa la invarianza de la medición en puntos temporales seleccionados para asegurar que la estructura latente es estable antes de añadir complejidad dinámica.
Modelos de Series Temporales (AR): Se introducen procesos autorregresivos (AR(1)) para modelar la dependencia temporal dentro de los individuos.
Modelos Multinivel (MLM): Se combinan las series temporales con estructuras multinivel para separar efectos entre sujetos (interindividuales) y dentro de sujetos (intra-individuales), incluyendo interceptos y pendientes aleatorias.
Modelos de Ecuaciones Estructurales Dinámicas (DSEM): Se integran los modelos CFA y MLM para rastrear la trayectoria de variables latentes a lo largo del tiempo, corrigiendo errores de medición.
Modelos de Conmutación de Markov Ocultos (HMSM): Se introduce una variable latente discreta (estado) que gobierna el cambio de régimen. Permite que los parámetros del modelo (interceptos, pendientes, o incluso la estructura factorial) varíen según el estado en el que se encuentra el individuo en un momento dado.
DLCSEM (Integración Final): La fusión de DSEM y HMSM. Permite modelar cambios categóricos en el tiempo donde los individuos pueden transitar entre diferentes "estados" (clases latentes), cada uno con sus propias dinámicas y parámetros específicos.

Enfoque Bayesiano:

Se utiliza MCMC (Cadenas de Markov Monte Carlo) a través de JAGS.
Se emplean priors débilmente informativos para regularizar las estimaciones.
Se asume invarianza de medición y homocedasticidad (a menos que se especifique lo contrario).
Se evalúa la convergencia mediante estadísticos $\hat{R}$ , tamaños de muestra efectivos y trazas visuales.

3. Contribuciones Clave

Marco Tutorial Práctico: Proporciona el primer tutorial "manos a la obra" que guía al investigador desde modelos simples hasta DLCSEM complejos, con código reproducible disponible en GitHub.
Flexibilidad Confirmatoria: A diferencia de los modelos de clases latentes tradicionales (exploratorios), el DLCSEM permite una especificación confirmatoria de los estados basada en teoría psicológica, lo cual es crucial para la estabilidad de la estimación en modelos tan complejos.
Manejo de Heterogeneidad Dinámica: Permite identificar no solo diferencias estáticas entre grupos, sino puntos de inflexión individuales (cuándo y cómo cambia un paciente) y cambios en la estructura factorial de las medidas a lo largo del tiempo.
Aplicación a Datos Reales: Demuestra la utilidad del método en un ensayo controlado aleatorizado de terapia cognitivo-conductual para la ansiedad generalizada.

4. Resultados de las Ilustraciones

El estudio aplica el modelo a datos de 57 pacientes con 15 sesiones de terapia, utilizando la Inventario de Ansiedad de Beck (BAI) y el Inventario de Alianza Terapéutica (WAI).

Ilustración 1 (CFA): Confirmó la invarianza de configuración de las escalas, aunque sugirió una evolución en la correlación de los factores del WAI (de 3 factores a 1 factor global).
Ilustración 2-4 (DSEM): Confirmó la existencia de diferencias interindividuales significativas en los niveles basales de ansiedad y una fuerte dependencia temporal (alta autocorrelación).
Ilustración 5 (DLCSEM - Cambio de Nivel): Identificó dos estados latentes: un estado de "no respuesta" (ansiedad alta) y un estado de "respuesta" (ansiedad baja).
- Hallazgo: La mayoría de los pacientes (casi el 98%) cambiaron de estado hacia la mejora.
- Momento de cambio: El cambio ocurrió abruptamente alrededor de la sesión 5, coincidiendo con la fase de reestructuración cognitiva en el protocolo de terapia. Esto valida la hipótesis de cambios abruptos en la trayectoria de la ansiedad (H4).
Ilustración 6 (DLCSEM - Cambio Estructural): Modeló un cambio en la estructura factorial del WAI.
- Estado 1: Estructura de 3 factores (tareas, metas, vínculos).
- Estado 2: Estructura unidimensional (factor global).
- Hallazgo: Se observó un "fusión" de las subescalas a medida que avanzaba la terapia. El cambio de estado (de multidimensional a unidimensional) ocurrió en promedio en la sesión 5.2, sugiriendo una consolidación de la alianza terapéutica.

5. Significado e Implicaciones

Personalización de la Intervención: El DLCSEM permite identificar no solo si un tratamiento funciona, sino cuándo y cómo cambia el estado de un paciente individualmente. Esto es vital para intervenciones de precisión y detección temprana de recaídas.
Validación de Procesos Terapéuticos: El modelo puede validar teóricamente los mecanismos de cambio (ej. la reestructuración cognitiva) al detectar puntos de inflexión en los datos empíricos que coinciden con la teoría clínica.
Desafíos y Advertencias:
- Complejidad y Convergencia: Los modelos son computacionalmente costosos y propensos a problemas de convergencia si no se especifican correctamente (especialmente la definición de los estados y los priors).
- Tamaño Muestral: Se requiere un tamaño muestral adecuado (N $\ge$ 50 individuos, T $\ge$ 25 momentos) para estimaciones estables.
- Causalidad: El modelo describe asociaciones dinámicas y dependencias condicionales, pero no establece causalidad sin manipulaciones experimentales adicionales.
- Identificación: La especificación de los estados debe ser teóricamente sólida; una búsqueda exploratoria de estados en DLCSEM es a menudo inviable debido a la complejidad paramétrica.

En conclusión, el artículo establece que el DLCSEM es una herramienta poderosa y necesaria para el análisis de datos longitudinales intensivos en psicología, ofreciendo una visión profunda de la dinámica interna de los procesos de cambio que los modelos tradicionales no pueden capturar.