La aplicación de modelos lineales jerárquicos para el estudio de la eficacia en psicoterapia

Juan Martín Gómez Penedo, Roberto Muiños, Pablo Hirsch, Andrés Roussos

Resumen


Los modelos lineales jerárquicos (HLM) representan una estrategia estadística fundamental para la investigación en psicoterapia, ya que permiten superar la dependencia de las observaciones que habitualmente se presenta en sus datos. Estos métodos son útiles para estimar el cambio, desagregar fuentes de variación y analizar efectos de predictores de distintos niveles de jerarquía. Debido a que la aplicación de estos métodos requiere de un alto grado de conocimiento técnico, aún inaccesible para muchos investigadores, el objetivo de este trabajo es presentar una guía para entender, aplicar y reportar los HLM para estudiar los efectos de la psicoterapia. Para ilustrar cómo aplicar y reportar los HLM hemos utilizado una base de datos clínica real. Diseminar estos métodos en Latinoamérica puede representar una contribución tanto para la investigación como para la práctica, mejorando la solidez de los estudios clínicos y desarrollando un conocimiento robusto para optimizar los procesos y resultados en psicoterapia.

Palabras clave


modelos lineales jerárquicos; modelos de curva de crecimiento; modelos multinivel; psicoterapia

Texto completo:

PDF

Referencias


Areas, M., Roussos, A., Hirsch, H., Hirsch, P., Becerra, P., & Gómez Penedo, J. M. (2018). Evaluación de un dispositivo de investigación orientada a la práctica en el desarrollo de un sistema de feedback en psicoterapia. Revista Argentina de Clínica Psicológica, 27(2), 229-249.

Atkins, D. C. (2005). Using multilevel models to analyze couple and family treatment data: Basic and advanced issues. Journal of Family Psychology, 19(1), 98–110. doi: 10.1037/0893-3200.19.1.98

Baldwin, S. A., Imel, Z. E., Braithwaite, S. R., & Atkins, D. C. (2014). Analyzing multiple outcomes in clinical research using multivariate multilevel models. Journal of Consulting and Clinical Psychology, 82(5), 920–930. doi: 10.1037/a0035628

Bates, D., Mäechler, M., Bolker, B., & Walker, S. (2015). Fitting Linear Mixed-Effects Models using lme4. Journal of Statistical Software, 67(1), 1-48. doi: 10.18637/jss.v067.i01.

Behn, A. J., Errázuriz, P. A., Cottin, M., & Fischer, C. (2017). Change in symptomatic burden and life satisfaction during short‐term psychotherapy: Focusing on the role of family income. Counselling & Psychotherapy Research, 18(2), 133-142. doi: 10.1002/capr.12158

Bliese, P. (2016). Multilevel modeling in R (2.5). Recuperado de https://cran.rproject.org/doc/contrib/Bliese_Multilevel.pdf

Constantino, M. J., Westra, H. A., Antony, M. M., & Coyne, A. E. (2017). Specific and common processes as mediators of the long-term effects of cognitive-behavioral therapy integrated with motivational interviewing for generalized anxiety disorder. Psychotherapy Research, 5, 1-13. doi: 10.1080/10503307.2017.1332794

Curran, P. J., & Bauer, D. J. (2011). The disaggregation of within-person and betweenperson effects in longitudinal models of change. Annual Review of Psychology, 62(1), 583–619. doi: 10.1146/annurev.psych.093008.100356.

de Shazer, S., & Berg, I. K. (1997). “What works?” Remarks on research aspects of SolutionFocused Brief Therapy. Journal of Family Therapy, 19(2), 121–124. doi: 10.1111/1467-6427.00043

de Shazer, S., Berg, I. K., Lipchik, E., Nunnally, E., Molnar, A., Gingerich, W., & Weiner-Davis, M. (1986). Brief therapy: focused solution development. Family Process, 25(2), 207–221. doi: 10.1111/j.1545-5300.1986.00207.x

Etchebarne, I., O’Connell, M., & Roussos, A. (2008). Estudio de mediadores y moderadores en la investigación en Psicoterapia. Anuario de Investigaciones, 13(1), 33-56.

Finch, W. H., & Bolin, J. E. (2017). Multilevel modeling using Mplus. Boca Raton: CRC Press.

Gómez Penedo, J. M., Constantino, M. J., Coyne, A., Bernecker, S. L., & Lotte Smith-Hansen, L. (2018). Patient Baseline Interpersonal

Problems as Moderators of Outcome in Two Psychotherapies for Bulimia Nervosa. Psychotherapy Research. Publicación anticipada en línea. doi: 10.1080/1050337.2018.1425931

Gómez Penedo, J. M., Constantino, M. J., Coyne, A., Westra, H., & Antony, M. (2017). Markers for Context-Responsiveness: Client Baseline Interpersonal Problems Moderate the Efficacy of Two Psychotherapies for Generalized Anxiety Disorder. Journal of Consulting and Clinical Psychology, 85(10), 1000-1011. doi: 10.1037/ccp0000233

Gómez Penedo, J. M., Juan, S., Manubens, R. T., & Roussos, A. (2018). El estudio del cambio en psicoterapia: desafíos conceptuales y problemas de investigación empírica. Anuario de Investigaciones en Psicología, 24, 15-24.

Hayes, A. F. (2017). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach. New York: Guilford Publications.

Hofmann, D. A. (1997). An overview of the logic and rationale of Hierarchical Linear Models. Journal of Management, 23(6), 723–744. doi: 10.1177/014920639702300602

Hox, J., & Maas, C. (2005). Multilevel analysis. Encyclopedia of Social Measurement, 2, 785– 793. doi: 10.1016/B0-12-369398-/00560-0

Mellado A., Suárez, N., Altimir, C., Martínez, C., Pérez J. C., Krause, M., & Horvath, A. (2017) Disentangling the change-alliance relationship: Observational assessment of the therapeutic alliance during change and stuck episodes. Psychotherapy Research, 27(5), 595-607. doi: 10.1080/10503307.2016.1147657

Ogles, B. M. (2013). Measuring change in psychotherapy research. En M. J. Lambert (Ed.), Bergin and Garfields’s Handbook of Psychotherapy and Behavior Change (pp.134–166). New Jersey: Wiley.

Power, M. J., & Freeman, C. (2012). A Randomized Controlled Trial of IPT versus CBT in primary care: with some cautionary notes about handling missing values in clinical trials. Clinical Psychology & Psychotherapy, 19(2), 159–169. doi: 10.1002/cpp.1781

Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models: Applications and data analysis methods (2nd Ed.). Thousand Oaks, California: Sage.

Raudenbush, S. W., Bryk, A. S., Cheong, Y. F., Congdon, R. T., & du Toit, M. (2011). HLM7: Hierarchical Linear and Nonlinear Modeling. Chicago, IL: Scientific Software International.

Skrondal, A., & Rabe-Hesketh, S. (2004). Generalized latent variable modeling. Boca Raton: Chapman & Hall/CRC.

R Core Team (2018). R: A language and environment for statistical computing. [programa informático]. Viena, Austria: R Foundation for Statistical Computing. Recuperado de: https://www.R-project.org/.

Wang, J., Xie, H., & Fisher, J. H. (2012). Multilevel models: Applications using SAS. Berlin: De Gruyter.

Westra, H. A., Constantino, M. J., & Antony, M. M. (2016). Integrating motivational interviewing with cognitive-behavioral therapy for severe generalized anxiety disorder: an allegiancecontrolled randomized clinical trial. Journal of Consulting and Clinical Psychology, 84(9), 768– 782. doi: 10.1037/ccp0000098

Zilcha-Mano, S., & Errázuriz, P. (2015). One size does not fit all: Examining heterogeneity and identifying moderators of the alliance–outcome association. Journal of Counseling Psychology, 62(4), 579–591. doi: 10.1037/cou0000103




DOI: http://dx.doi.org/10.30882/1852.4206.v11.n1.20412

Copyright (c) 2019 Revista Argentina de Ciencias del Comportamiento