Statistical Models for the Inference of Within-person Relations: A Random Intercept Cross-Lagged Panel Model and Its Interpretation

Aquí presento un resumen técnico detallado del artículo "Statistical Models for the Inference of Within-person Relations: A Random Intercept Cross-Lagged Panel Model and Its Interpretation" de Satoshi Usami, traducido y adaptado al español.

1. El Problema: Inferencia de Relaciones Intrapersonales y las Limitaciones del CLPM

El artículo aborda un problema fundamental en la investigación longitudinal en psicología y ciencias del desarrollo: la distinción entre relaciones entre personas (heterogeneidad interindividual) y relaciones dentro de la persona (cambio intrapersonal).

• Limitaciones del Modelo de Ecuaciones Cruzadas (CLPM): Tradicionalmente, el Cross-Lagged Panel Model (CLPM) ha sido el estándar de oro para inferir relaciones recíprocas causales. Sin embargo, el CLPM controla solo por el valor previo de la variable (términos autorregresivos), pero no separa explícitamente la variabilidad estable entre individuos de la variabilidad temporal dentro del individuo.
• La Crítica de Hamaker et al. (2015): Se argumentó que los coeficientes del CLPM representan una mezcla de efectos entre personas y dentro de la persona. En casos extremos, estas relaciones pueden ser opuestas (ej. el ejercicio reduce el riesgo cardíaco a nivel grupal, pero un ejercicio intenso puede causar un infarto en un individuo específico). Por lo tanto, el CLPM es inadecuado para inferir causalidad basada en procesos de cambio intrapersonal.
• La Necesidad de Controlar la Heterogeneidad: Para inferir relaciones causales dentro de la persona, es necesario controlar las diferencias individuales estables (factores de rasgo) que actúan como confusores no observados.

2. Metodología y Modelos Analizados

El autor realiza una revisión técnica y una comparación matemática de diversos modelos estructurales, posicionando al Modelo de Ecuaciones Cruzadas con Intercepto Aleatorio (RI-CLPM) como una solución central, pero también analizando alternativas y sus relaciones matemáticas.

A. El Modelo RI-CLPM (Random Intercept Cross-Lagged Panel Model)

• Estructura: Descompone la observación $X_{it}$ en tres componentes: la media del grupo ($\mu$), un factor de rasgo estable ($I_i$, que representa la diferencia individual estable) y la variabilidad dentro de la persona ($X^*_{it}$, desviación del valor esperado del individuo).
• Supuesto Clave: Asume que el factor de rasgo estable ($I$) y la variabilidad dentro de la persona ($X^*$) son ortogonales (no correlacionados).
• Interpretación: Los coeficientes cruzados ($\gamma$) estiman la relación entre las desviaciones de un individuo respecto a su propia media, controlando así la heterogeneidad interindividual.

B. Comparación con Otros Modelos

El autor contrasta el RI-CLPM con otros modelos propuestos para inferencias similares:

1. LCM-SR (Latent Growth Model with Structured Residuals): Separa la trayectoria de crecimiento (factores de intersección y pendiente) de los residuos. El autor critica que controlar la pendiente ($S$) puede constituir un sobreajuste ("tirar al bebé con el agua del baño"), eliminando componentes esenciales del cambio dentro de la persona.
2. LCS (Latent Change Score) y ALT (Autoregressive Latent Trajectory): Utilizan factores comunes que actúan como factores acumulativos (no estables). Estos factores influyen en las observaciones de manera acumulativa a través del tiempo (efectos directos e indirectos). Esto difiere del rasgo estable del RI-CLPM y puede distorsionar la interpretación de las relaciones dentro de la persona si el proceso generador de datos no es acumulativo.
3. GCLM (General Cross-Lagged Panel Model): Incluye factores de rasgo y términos de media móvil (MA). El autor señala que su complejidad y la ambigüedad de sus términos de media móvil pueden complicar la interpretación y generar multicolinealidad.
4. DPM (Dynamic Panel Model): Modelo común en economía. Utiliza efectos unitarios (factores acumulativos). El autor demuestra que, bajo ciertas condiciones (coeficientes invariantes en el tiempo y restricciones en las cargas factoriales iniciales), el DPM es matemáticamente equivalente al RI-CLPM si se permite la correlación entre el factor estable y la observación inicial.

C. Enfoque de Análisis

• Se utilizan Ecuaciones Estructurales (SEM) para la estimación.
• Se analizan datos empíricos del estudio Minnesota Adolescent Community Cohort (MACC) y datos de la cohorte Tokyo Teen Cohort para ilustrar las diferencias en los resultados de estimación (coeficientes, errores estándar y ajuste del modelo).
• Se discuten problemas de identificación (requiriendo $T \ge 3$ para RI-CLPM vs. $T \ge 2$ para CLPM) y soluciones impropias (varianzas negativas).

3. Resultados y Hallazgos Clave

• Diferencias en Estimación: Cuando existe una varianza significativa en los factores de rasgo estable, el CLPM y el RI-CLPM producen resultados drásticamente diferentes en cuanto a la dirección, magnitud y signo de los coeficientes cruzados. El RI-CLPM tiende a producir coeficientes autorregresivos más pequeños y errores estándar más grandes.
• El Rol del Factor de Rasgo: El autor redefine el factor de rasgo en el RI-CLPM no como un "confusor" en el sentido causal tradicional, sino como una operación de centrado por la media de la persona. Esto bloquea la vía de confusión entre la heterogeneidad interindividual y la variabilidad intra-individual.
• Equivalencia Matemática: Se establece que el RI-CLPM (con factor no correlacionado con la variabilidad intra) y el DPM (con factor acumulativo) son conceptualmente distintos. Sin embargo, si se relaja la suposición de ortogonalidad en el RI-CLPM (permitiendo correlación entre el rasgo y la observación inicial), se convierte en el RI-CLPM Predeterminado, el cual es matemáticamente equivalente al DPM bajo coeficientes invariantes en el tiempo.
• Problemas de Sobreajuste: Modelos como LCM-SR y GCLM corren el riesgo de controlar excesivamente la información de cambio dentro de la persona al incluir factores que capturan tanto la tendencia como la heterogeneidad, distorsionando los coeficientes de interés.

4. Contribuciones Principales

1. Marco Unificado: El artículo organiza matemática y conceptualmente la familia de modelos para relaciones recíprocas (CLPM, RI-CLPM, LCM-SR, LCS, GCLM, DPM), clarificando sus diferencias en la estructura de la media, la covarianza y el tipo de factor común (rasgo estable vs. acumulativo).
2. Clarificación Conceptual: Distingue claramente entre la inferencia de relaciones "entre personas" y "dentro de la persona", advirtiendo sobre los peligros de mezclar ambos en un solo modelo sin la descomposición adecuada.
3. Guía Práctica: Ofrece criterios para la selección de modelos basados en el proceso generador de datos asumido. Si el proceso implica diferencias individuales estables que no cambian con el tiempo, el RI-CLPM es preferible. Si el proceso implica efectos acumulativos, el DPM o variantes pueden ser más adecuados.
4. Advertencia sobre la Incertidumbre: Reconoce que el verdadero proceso generador de datos es desconocido en la mayoría de los estudios observacionales, por lo que no existe un "modelo único correcto" universal.

5. Significado e Implicaciones Futuras

• Cambio de Paradigma: El RI-CLPM ha ganado popularidad masiva y es superior al CLPM para inferencias causales dentro de la persona, pero no es una panacea. Su uso debe ir acompañado de una comprensión profunda de sus supuestos (especialmente la ortogonalidad entre rasgo y estado).
• Estrategia de Sensibilidad: Dado que el modelo verdadero es desconocido, el autor recomienda una estrategia de análisis de sensibilidad: estimar múltiples modelos candidatos (RI-CLPM, DPM, RI-CLPM predeterminado) y comparar sus resultados, índices de ajuste y criterios de información para evaluar la robustez de las conclusiones.
• Futuras Direcciones: Se sugiere que la investigación futura debe integrar métodos de inferencia causal más avanzados (como Modelos de Estructura Marginal o Modelos Estructurales Anidados) que no asuman linealidad estricta y que puedan manejar confusores observados y no observados de manera más robusta, trascendiendo el marco tradicional de la psicometría.

En conclusión, el artículo sirve como una guía técnica esencial para investigadores que buscan inferir causalidad en datos longitudinales, advirtiendo contra la aplicación mecánica de modelos y promoviendo una selección basada en la teoría del proceso generador de datos y la comprensión de las diferencias matemáticas entre las estructuras de los modelos.