Estados, episodios, rasgos y trayectorias

433.1. El tiempo forma parte de la afirmación clínica

Decir que una persona está irritable durante una entrevista, que atravesó un periodo de irritabilidad o que suele reaccionar de ese modo equivale a hablar de objetos distintos. La primera afirmación se refiere a un estado observado. La segunda organiza una secuencia en el tiempo, mientras que la tercera atribuye una disposición relativamente persistente. Pasar de una a otra requiere información que una observación aislada no contiene.

La duración del seguimiento no fija por sí sola el nivel explicativo que puede alcanzarse. Un registro de varios años con mediciones espaciadas puede perder cambios rápidos, mientras que una observación intensiva de dos semanas describe bien las fluctuaciones diarias y dice poco sobre la estabilidad entre meses. Resolución y extensión responden a preguntas diferentes, de modo que conviene decidir ambas según lo que se pretende afirmar.

Una trayectoria conserva el orden de los acontecimientos y la forma de su evolución. Su promedio resume una propiedad a cambio de perder otras, como el momento de inicio de cada cambio, el tiempo de recuperación o la relación con hechos externos. Un modelo que pretenda explicar recurrencias necesita esa información temporal, que ninguna puntuación global conserva.

Para examinar estas diferencias se emplea un seguimiento sintético, explícitamente hipotético y sin correspondencia con ningún paciente. Sus umbrales y duraciones son reglas de demostración que no reproducen criterios diagnósticos. Sirven para observar qué decisiones de agregación intervienen antes de que se interprete una persistencia o se atribuya un rasgo.

El problema tiene antecedentes metodológicos precisos. Molenaar (2004) sostuvo, a partir de los teoremas ergódicos clásicos, que la estructura de la variación entre personas solo puede trasladarse a la variación dentro de una persona bajo condiciones estrictas, que los procesos psicológicos rara vez cumplen. Hamaker, Kuiper y Grasman (2015) mostraron que un modelo longitudinal de uso extendido confunde la estabilidad de las diferencias individuales con la dinámica intraindividual. Fisher, Medaglia y Jeronimus (2018) compararon empíricamente ambos niveles en seis muestras con medición intensiva. Los tres trabajos muestran que relaciones entre personas y fluctuaciones dentro de cada una exigen modelos y supuestos distintos.

433.2. Estado y oportunidad de observación

Un estado es una configuración situada en un momento o en un intervalo delimitado. La observación clínica capta una parte de esa configuración, condicionada por el contexto y por el procedimiento empleado. Que durante una consulta no se haya observado cierta conducta informa sobre ese contacto y deja abierta la pregunta por el periodo anterior.

La extensión del intervalo de referencia también cambia lo que se describe. Un autoinforme sobre el último minuto y una valoración de las dos últimas semanas descansan en operaciones de memoria y de agregación diferentes. Ambos aportan información, aunque una puntuación idéntica en los dos formatos no garantiza que describan el mismo estado.

Un registro puntual puede coincidir con un extremo de la trayectoria. Usarlo como descripción del funcionamiento habitual supone una inferencia sobre su representatividad, que puede ser razonable cuando hay información adicional que la respalde y que, en cualquier caso, debe distinguirse de lo que se observó directamente.

La variación entre estados no equivale necesariamente a error de medición. Puede expresar respuestas al contexto, ritmos biológicos, acontecimientos vitales o procesos internos. Un procedimiento que persiga fiabilidad suprimiendo toda fluctuación corre el riesgo de descartar justamente la dinámica que interesa estudiar.

Interpretar una observación exige saber qué ocurrió antes y en qué condiciones se produjo. Esa contextualización, que no obliga a convertir cada dato en una historia completa, permite decidir si el registro muestra la actividad habitual de la persona o un punto dentro de un cambio más prolongado.

433.3. Episodio como organización temporal

Un episodio agrupa manifestaciones que muestran cierta continuidad y límites reconocibles en el tiempo. Identificarlo requiere reglas sobre su inicio, su duración y su final, además de un contenido clínico. Una secuencia de puntuaciones elevadas ayuda a describirlo, aunque el significado del episodio depende de lo que esas puntuaciones representen.

Las reglas pueden tolerar interrupciones breves o exigir continuidad estricta. Esa elección modifica cuántos episodios se cuentan y cuánto duran. Dos días sin registro no equivalen a dos días sin manifestaciones, de modo que los intervalos faltantes requieren un tratamiento declarado.

La delimitación puede depender también de cambios cualitativos. Un periodo puede mantener una puntuación total semejante mientras se transforma el perfil de experiencias que la compone. Decidir si se trata de un episodio o de varios exige una justificación que el total no proporciona.

En la práctica clínica el inicio suele reconstruirse de manera retrospectiva y muchas veces solo se conoce como un intervalo. Anotar una fecha exacta cuando únicamente se sabe que el cambio ocurrió durante cierta semana introduce una precisión ficticia. Los modelos pueden representar la incertidumbre sobre el momento de transición en lugar de ocultarla.

El ejemplo sintético usa una regla simple. Se identifican tramos consecutivos por encima de un umbral y se cuentan como episodios los que duran al menos siete días. La regla sirve para estudiar la agregación; no pretende ser un criterio clínico ni sustituir las exigencias temporales propias de cada categoría diagnóstica.

433.4. Rasgo y estabilidad relativa

Un rasgo designa habitualmente una disposición que conserva cierta estabilidad a través de situaciones o periodos. Esa estabilidad es relativa a una escala temporal y a un dominio de observación. Una característica puede mantenerse durante meses y cambiar después de una modificación importante del contexto o del desarrollo.

Conviene separar dos sentidos de estabilidad. La persistencia del orden relativo entre personas no demuestra que cada una permanezca constante. Dos individuos pueden fluctuar mucho y conservar su posición relativa, mientras que una persona que cambia poco puede ver alterada su posición porque cambiaron otros miembros del grupo.

Una media individual puede emplearse como estimación del nivel habitual, aunque su valor depende de los periodos observados. Si el seguimiento coincide sobre todo con un episodio, la media incorpora ese estado prolongado. Llamarla rasgo añade una interpretación que solo se sostiene con observaciones fuera de ese periodo.

La regularidad también puede provenir del entorno. Horarios, exigencias laborales y relaciones persistentes generan patrones repetidos sin que toda la regularidad corresponda a una propiedad interna fija. Separar disposición y contexto requiere que el contexto varíe de manera pertinente durante la observación, así como un modelo capaz de representar ambas fuentes.

Una atribución de rasgo debería precisar qué se considera estable, durante cuánto tiempo y frente a qué cambios contextuales. Sin esa especificación, cualquier repetición puede leerse como rasgo y cualquier variación como excepción. La hipótesis queda entonces sin contraste posible.

433.5. Construcción del seguimiento sintético

Se define una serie hipotética de ochenta y cuatro días cuyo nivel basal vale uno. El valor sube a seis en tres tramos, de doce, cinco y catorce días, separados por periodos en el nivel basal. Contados desde el día 1, los tramos ocupan los días 13 a 24, 41 a 45 y 61 a 74. El generador no incluye ruido, de modo que los efectos de la agregación pueden examinarse sin confundirlos con variación aleatoria.

Los tramos comienzan en posiciones elegidas para que no todos coincidan con los límites semanales. Esa decisión hace visible un problema frecuente en datos reales, en que una ventana de agregación divide un periodo continuo entre dos bloques y reduce el promedio de ambos.

La regla de presencia elevada usa un umbral de cuatro. Aplicada al registro diario identifica treinta y un días altos. La duración mínima de siete días clasifica como episodios los tramos de doce y catorce días y excluye el de cinco. La exclusión es efecto de la regla operacional; esos cinco días siguen formando parte de la trayectoria.

La media de la serie completa es 239/84, aproximadamente 2,85. No coincide con el nivel basal ni con el elevado, porque resume ambos ponderados por la fracción del tiempo que ocupa cada uno. Interpretarla como estado típico resulta engañoso, ya que la serie nunca toma ese valor.

Como la serie se construyó deliberadamente, su nivel basal es un parámetro conocido. En datos reales, identificar una referencia basal sería una tarea adicional, dependiente de los periodos que se consideren representativos de la persona.

433.6. Agregar antes o después de clasificar

Hay dos maneras de llevar el registro diario a semanas. Una clasifica cada día según el umbral y luego cuenta los días altos de la semana. La otra promedia primero las puntuaciones de la semana y aplica el umbral al promedio. Ambas operaciones dan resultados distintos porque la clasificación por umbral es no lineal.

En el ejemplo, una semana con cuatro días altos y tres bajos tiene una media de 27/7, cerca de 3,86, inferior al umbral. Se clasifica como baja después de promediar, aunque más de la mitad de sus días fueron altos. El resultado depende de los niveles elegidos y del umbral; no hay en él ningún error de cálculo.

El lado izquierdo es una decisión binaria tomada sobre la media de la ventana; el derecho es la proporción de días que cumplen la regla. Son magnitudes distintas y merecen nombres distintos. Llamar a ambas «persistencia semanal» oculta la diferencia operacional entre ellas.

En la serie, promediar por semanas y aplicar después el umbral deja solo dos semanas altas, separadas entre sí. Con bloques de veintiocho días no queda ningún bloque alto, porque sus medias (3,14; 1,89 y 3,50) se sitúan bajo el umbral. Los tramos diarios siguen presentes en el generador. Lo que cambió es su visibilidad bajo esa regla de resumen.

La forma de agregar debe responder a la afirmación que se busca. Si interesa el tiempo total con una manifestación, conviene conservar días u horas. Si interesa la carga media de un periodo, el promedio responde directamente a esa pregunta, siempre que después no se lea como continuidad diaria.

433.7. Código para reconstruir ventanas y episodios

El programa reconstruye los tramos altos a partir de los cambios de estado. Para cada resolución expresa la longitud de los bloques en días y aplica la duración mínima. La probabilidad de que una unidad alta vaya seguida de otra alta queda indefinida cuando no existe ninguna unidad alta desde la cual observar una transición. El código calcula además las cantidades que se discuten en las secciones 433.9 a 433.14 y 433.18. Se comprobó con Python 3.13 y NumPy 2.5.

import numpy as np

x = np.ones(84)
x[12:24] = 6
x[40:45] = 6
x[60:74] = 6
umbral, minimo = 4, 7


def longitudes(altos):
    cambios = np.diff(np.r_[0, altos.astype(int), 0])
    inicios = np.flatnonzero(cambios == 1)
    finales = np.flatnonzero(cambios == -1)
    return finales - inicios


resultados = {}
for ventana in [1, 7, 28]:
    agregado = x.reshape(-1, ventana).mean(axis=1)
    altos = agregado >= umbral
    duraciones = longitudes(altos) * ventana
    denominador = altos[:-1].sum()
    continuidad = ((altos[:-1] & altos[1:]).sum() / denominador
                   if denominador else np.nan)
    episodios = int(np.sum(duraciones >= minimo))
    resultados[ventana] = (duraciones, episodios, continuidad)
    assert np.isclose(agregado.mean(), x.mean())
    print(ventana, duraciones, episodios, continuidad, agregado.mean())

assert np.array_equal(resultados[1][0], [12, 5, 14])
assert np.array_equal(resultados[7][0], [7, 7])
assert resultados[28][1] == 0
assert np.isnan(resultados[28][2])
print("Medias de bloques de 28 días", x.reshape(-1, 28).mean(axis=1))
print("Medias de periodos de 14 días", x.reshape(-1, 14).mean(axis=1))

# Origen de las semanas: solo se conservan semanas completas
altas_por_desfase = {}
for desfase in range(7):
    m = (84 - desfase) // 7
    semanas = x[desfase:desfase + 7*m].reshape(m, 7).mean(axis=1)
    altas_por_desfase[desfase] = np.flatnonzero(semanas >= umbral)
    print("Desfase", desfase, "semanas altas", altas_por_desfase[desfase])
assert len(altas_por_desfase[0]) == 2 and len(altas_por_desfase[3]) == 5

# Media móvil de siete días con dos umbrales
movil = np.convolve(x, np.ones(7) / 7, mode="valid")
rachas_umbral = longitudes(movil >= umbral)
rachas_un_dia = longitudes(movil > 1)
assert np.array_equal(rachas_umbral, [10, 3, 12])
assert np.array_equal(rachas_un_dia, [18, 11, 20])
print("Rachas de ventanas móviles", rachas_umbral, rachas_un_dia)

# Proceso autorregresivo estacionario de varianza unitaria
phi, n = 0.8, 7
var_media = (n + 2*sum((n-k) * phi**k for k in range(1, n))) / n**2
cov_semanas = sum((n-abs(d)) * phi**(n+d) for d in range(-(n-1), n)) / n**2
assert np.isclose(var_media, 0.640583836734694)
print("Varianza de la media, dependiente e independiente", var_media, 1/n)
print("Tamaño efectivo para la media", 1/var_media)
print("Correlación entre días separados por siete", phi**7)
print("Correlación entre medias semanales consecutivas", cov_semanas/var_media)
print("Escala de relajación equivalente en días", -1/np.log(phi))
print("Carga acumulada sobre el basal", (x - 1).sum())

La media global se conserva porque las ventanas tienen igual longitud y cubren la serie completa. Una media bien ponderada permanece intacta, mientras cambian la duración aparente de los tramos, su clasificación y la dependencia temporal entre unidades.

433.8. Resultados que dependen de la resolución

El número de episodios coincide entre las resoluciones diaria y semanal, aunque sus duraciones y su ubicación difieren. La resolución semanal asigna siete días a cada uno de los dos episodios, que en el registro diario duran doce y catorce. Contar episodios no basta para evaluar la fidelidad temporal de una representación.

La continuidad diaria, 28/31, indica que a un día alto suele seguirle otro alto. La semanal es cero porque las dos semanas altas quedan aisladas. Esa cifra describe otra variable, construida sobre otra unidad temporal. Nada dice sobre una pérdida de persistencia del proceso generador.

En los bloques de veintiocho días no hay unidades altas. La probabilidad de continuar alto carece de denominador y no puede estimarse. Reemplazarla por cero confundiría la ausencia de oportunidades de transición con evidencia de que toda transición termina en un estado bajo.

La media global no cambia porque todas las ventanas tienen la misma duración y la serie se conserva completa. Si se promediaran ventanas de distinta longitud con igual peso, o se excluyeran selectivamente periodos faltantes, la igualdad podría perderse. La regla de ponderación forma parte del resultado.

Conviene almacenar la resolución original siempre que sea posible. Desde ella pueden reconstruirse las agregaciones que exija cada pregunta, mientras que recuperar secuencias desde promedios ya guardados suele ser imposible sin supuestos adicionales.

433.9. La posición de las ventanas también importa

Dos agregaciones semanales pueden diferir si una comienza el lunes y otra el jueves. Cuando un tramo elevado cruza el borde de una ventana, su carga se reparte entre bloques contiguos. Un desplazamiento del calendario puede cambiar qué semanas superan el umbral aunque la trayectoria diaria permanezca intacta.

La serie sintética permite cuantificar ese efecto repitiendo la agregación con los siete orígenes posibles. Con desfases de cero o un día, solo dos semanas superan el umbral. Con desfases de dos o seis días aparecen tres semanas altas, agrupadas en rachas de siete y catorce días. Con desfases de tres a cinco días, las semanas altas llegan a cinco y forman tres rachas, de catorce, siete y catorce días. En esos desfases intermedios el tramo de cinco días, que la regla diaria excluía, queda contenido en una sola semana con media 32/7, cerca de 4,57, que se cuenta como un episodio de siete días.

Cuando el resultado depende de bloques arbitrarios, puede repetirse la clasificación con todos los desfases posibles e informarse el intervalo de resultados, o bien usarse ventanas móviles, que comparten observaciones y no son independientes.

Las ventanas móviles atenúan las discontinuidades del calendario, aunque alteran a su vez la duración aparente de los episodios. Cada observación alta participa en varios promedios consecutivos, de modo que la persistencia del promedio refleja en parte ese solapamiento. El sentido de la distorsión depende del umbral. En el ejemplo, con una media móvil de siete días y umbral cuatro, las rachas altas abarcan 10, 3 y 12 ventanas consecutivas, menos que los días de cada tramo. Si el umbral se cumpliera con un solo día alto dentro de la ventana, las rachas se alargarían a 18, 11 y 20 ventanas, seis más que la duración de cada tramo.

Los extremos de la serie requieren un tratamiento específico. Una ventana incompleta tiene menos observaciones o exige supuestos sobre días no registrados. Compararla con ventanas completas sin advertir esa diferencia altera la precisión y puede alterar la clasificación. En el análisis de desfases del código se descartan los días que no completan una semana.

En una historia clínica, las fechas de control también crean ventanas implícitas. Un periodo descrito como «desde el último control» puede durar tres semanas en una ocasión y tres meses en otra. Comparar frecuencias absolutas de síntomas sin ajustar por esa exposición puede producir variaciones aparentes debidas únicamente a la duración del intervalo.

433.10. La media de una ventana no identifica un rasgo

Las medias de los seis periodos de catorce días van de 1,71 a 4,57. Si cada periodo se usara por separado para estimar el nivel habitual, la misma persona hipotética recibiría descripciones muy distintas según la fracción de los tramos elevados que hubiera quedado dentro de la ventana.

La media total, cercana a 2,85, tampoco recupera el nivel basal del generador, que vale uno, porque incluye el tiempo pasado en estados altos. Describe correctamente la carga media de los ochenta y cuatro días. Atribuirle el sentido de disposición estable requeriría otra definición y más información.

Un modelo aditivo permite separar un componente estable de una desviación temporal.

Aquí $\mu_i$ representa el nivel estable de la persona $i$, $s_{it}$ su desviación en la ocasión $t$ y $\epsilon_{it}$ el error de medición. Sin restricciones el modelo no está identificado, porque sumar una constante a $\mu_i$ y restarla de todas las $s_{it}$ deja intactas las observaciones. La descomposición necesita fijar una referencia, por ejemplo que las desviaciones tengan media temporal nula o que existan periodos basales identificados con fuentes externas. Distinguir $s_{it}$ de $\epsilon_{it}$ plantea un problema análogo, que suele resolverse con supuestos sobre la dependencia temporal de cada componente o con varios indicadores por ocasión.

La restricción de media nula convierte el componente estable en el promedio del periodo observado. La convención facilita la estimación, aunque no demuestra estabilidad fuera de ese periodo. Si el seguimiento cubrió una fase excepcional, el parámetro puede ser estadísticamente reproducible y poco representativo de otros momentos de la vida de la persona.

Una interpretación de rasgo requiere observaciones que atraviesen contextos y estados pertinentes, junto con una declaración de qué cambios se consideran compatibles con una estabilidad relativa. Una formulación de ese tipo permite reconocer tanto regularidades persistentes como transformaciones reales sin obligar a tratar toda variación como error.

433.11. Autocorrelación y memoria aparente

La autocorrelación describe la relación entre valores separados por un intervalo determinado. Su significado depende de la unidad temporal y de la variable analizada. Una correlación a un día y otra a una semana estiman cantidades distintas, aunque ambas se presenten como medidas de persistencia.

En un proceso autorregresivo estacionario de primer orden, con $|\phi|<1$, la correlación entre observaciones separadas por $k$ pasos es la potencia $k$ del coeficiente.

Con $\phi=0{,}8$ por día, la correlación entre dos días separados por una semana es $0{,}8^7\approx 0{,}21$. Esa cifra corresponde a seleccionar puntos aislados con siete días de distancia y no describe la relación entre promedios semanales.

El promedio semanal combina muchas covarianzas entre pares de días. La covarianza entre dos medias semanales consecutivas suma todas las combinaciones de un día de la primera semana con un día de la segunda, separados entre sí por uno a trece días.

Dividida por la varianza de la media semanal, que se presenta en la sección 433.12, esta expresión da una correlación cercana a 0,40 para $n=7$ y $\phi=0{,}8$, casi el doble de 0,21. Aplicar la séptima potencia del coeficiente diario a datos promediados traslada una fórmula a una operación que no le corresponde.

En la serie de episodios, una autocorrelación alta surge simplemente de la permanencia dentro de los tramos definidos. Ese valor no demuestra una regla autorregresiva en que cada estado produzca el siguiente, porque una entrada externa sostenida genera una continuidad semejante. La forma temporal orienta hipótesis sobre el mecanismo sin llegar a identificarlo.

La medición también puede crear memoria aparente. Las preguntas retrospectivas con periodos de referencia solapados comparten parte de los acontecimientos que describen, de modo que sus respuestas se correlacionan aunque las experiencias nuevas tengan escasa dependencia entre sí. El modelo debe representar esa construcción antes de atribuir cada coeficiente temporal a la psicopatología.

433.12. Incertidumbre de promedios con observaciones dependientes

Cuando las observaciones son independientes, la varianza del promedio disminuye en proporción inversa al número de mediciones. Si están correlacionadas positivamente, cada medición adicional aporta menos información nueva. La precisión del promedio pasa entonces a depender de todas las covarianzas incluidas en la ventana.

Para un proceso estacionario de varianza unitaria con autocorrelación autorregresiva, la varianza del promedio de $n$ puntos consecutivos se obtiene sumando las contribuciones diagonales y las covarianzas según la distancia temporal.

Con siete observaciones y $\phi=0{,}8$ la varianza vale aproximadamente 0,641, mientras que bajo independencia sería $1/7\approx 0{,}143$. Tratar la semana como siete mediciones independientes subestimaría, para este generador, la varianza del promedio en un factor cercano a 4,5.

La diferencia puede expresarse como tamaño efectivo, es decir, como el número de observaciones independientes que darían la misma varianza de la media. En este caso vale $1/0{,}641\approx 1{,}56$. La equivalencia se refiere solo a la estimación de la media bajo este modelo. Las siete observaciones conservan información sobre otras propiedades, como las transiciones o la forma de la secuencia.

La dependencia estimada a partir de datos tiene, a su vez, incertidumbre, sobre todo en series cortas. Una corrección basada en un coeficiente mal estimado puede seguir siendo inadecuada. Conviene evaluar la sensibilidad de los resultados a distintos valores plausibles del coeficiente antes de aceptar intervalos estrechos que la cantidad de observaciones no respalda.

433.13. Diferencias entre personas y cambios dentro de una persona

Una persona con más dificultades de sueño en promedio puede presentar también más malestar en promedio. Esa asociación entre individuos no establece cuánto aumenta el malestar de una persona en los días en que duerme peor que de costumbre. Las dos preguntas usan referencias distintas, la media de la muestra en un caso y la media de la propia persona en el otro.

Separar la media individual de las desviaciones respecto de ella permite formular la segunda pregunta. El análisis distingue entonces si una observación supera el promedio de la muestra o el promedio habitual de esa persona. Confundir ambas referencias puede atribuir a la fluctuación individual una relación que pertenece a las diferencias estables entre personas, o a la inversa.

Hamaker, Kuiper y Grasman (2015) examinaron este problema en el modelo de panel con efectos cruzados retardados (cross-lagged panel model, CLPM). Mostraron que, cuando las variables presentan diferencias individuales estables de tipo rasgo, los coeficientes autorregresivos del CLPM no las controlan adecuadamente. Los parámetros cruzados dejan entonces de representar las relaciones dentro de las personas, lo que puede conducir a conclusiones erróneas sobre la existencia, el predominio e incluso el signo de los efectos. Como alternativa propusieron incorporar interceptos aleatorios que absorben la varianza estable entre personas (RI-CLPM), de modo que los parámetros retardados describan la dinámica intraindividual. El modelo requiere al menos tres ocasiones de medición. Ese avance no convierte cualquier modelo con interceptos individuales en una prueba causal, porque el problema de las variables omitidas persiste.

La separación necesita además una definición defendible de estabilidad durante el estudio. Si las medias individuales cambian lentamente, un intercepto constante absorbe esa evolución de forma imperfecta y pueden necesitarse tendencias o cambios de régimen.

Fisher, Medaglia y Jeronimus (2018) estudiaron empíricamente la generalización del grupo al individuo en seis conjuntos de datos con medición intensiva repetida. Los promedios de las correlaciones calculadas dentro de cada persona mostraron cierto acuerdo con los de las correlaciones calculadas entre personas, pero su dispersión fue mucho mayor. Con los datos brutos, la desviación estándar de las correlaciones intraindividuales fue entre 2,09 y 4 veces la de las interindividuales, con una razón media de 2,84. Los autores recomiendan poner a prueba la equivalencia entre niveles antes de trasladar resultados grupales a personas concretas. Un promedio grupal puede servir como referencia y resultar insuficiente para anticipar la evolución de un paciente determinado.

433.14. Muestreo irregular y periodos sin registro

Las observaciones clínicas suelen producirse a intervalos variables. Un coeficiente de transición estimado entre visitas puede mezclar separaciones de días y de meses. Tratar todos esos intervalos como un paso idéntico impone una dinámica que no corresponde al tiempo efectivamente transcurrido.

Un modelo de tiempo continuo expresa la transición en función del intervalo. En un proceso de relajación simple, la persistencia decae exponencialmente con la duración $\Delta$ que separa dos observaciones.

El parámetro $\tau$ es una escala de relajación del modelo. Un coeficiente diario de 0,8 corresponde a $\tau=-1/\ln 0{,}8\approx 4{,}5$ días. Con esa equivalencia el modelo predice la persistencia esperable para intervalos de cualquier longitud, lo que facilita comparar observaciones irregulares, aunque la validez de esa predicción sigue dependiendo de que la dinámica propuesta sea adecuada.

La escala $\tau$ no equivale automáticamente a la duración de un episodio clínico, que depende además de las entradas externas, de los umbrales y de los cambios cualitativos. La relación entre ambos conceptos tendría que derivarse dentro de una formulación específica.

Los intervalos sin observación generan incertidumbre sobre las transiciones. Si una persona está en un estado en una visita y en otro en la siguiente, el cambio pudo ocurrir en cualquier momento intermedio. Asignarlo a la fecha de la segunda visita confunde el momento de detección con el de inicio.

La frecuencia de las visitas puede depender del estado clínico, porque los controles se acercan durante los empeoramientos y se espacian en la estabilidad. Esa selección modifica la distribución de los datos disponibles. Un promedio por consulta sobrepondera los periodos problemáticos, mientras que un promedio ponderado por tiempo exige supuestos sobre los intervalos no observados. La elección debe corresponder a la magnitud que se desea estimar.

433.15. Reconstrucción retrospectiva y precisión temporal

Una historia retrospectiva recupera acontecimientos que no se registraron en su momento, con una precisión que varía según el tipo de dato. Una hospitalización tiene fecha documentable, mientras que el comienzo gradual de una pérdida de interés suele conocerse solo de manera aproximada. La cronología clínica debe conservar esa diferencia.

Los acontecimientos externos sirven como puntos de referencia para ubicar cambios, sin que su proximidad temporal demuestre causalidad. Recordar un síntoma como posterior a un conflicto ayuda a ordenar la historia. Afirmar que el conflicto lo produjo exige considerar otras variaciones y explicaciones alternativas.

El estado actual puede influir en la manera en que se organiza el relato del pasado. Esa posibilidad debe examinarse con fuentes y registros adicionales, sin transformarla en una razón automática para desestimar el autoinforme. Las fuentes externas tienen también un acceso limitado y pueden omitir experiencias privadas.

Una cronología cuidadosa distingue las fechas confirmadas de las estimadas y usa intervalos de inicio probable. Si un análisis exige fechas exactas, conviene evaluar cómo cambian sus conclusiones cuando esas fechas varían dentro de rangos plausibles.

Conservar las versiones sucesivas de la cronología permite integrar información nueva. Una fecha revisada no implica que el relato anterior fuera falso, pues puede reflejar un mejor acceso a documentos o una aclaración del referente. Cada revisión debería consignar qué dato cambió y cómo modifica la organización de la trayectoria.

433.16. Cambios de régimen y estabilidad local

Una trayectoria puede contener periodos con dinámicas distintas. La relación entre un estado y el siguiente puede cambiar después de una modificación del entorno, una intervención o una transición vital. Ajustar un único coeficiente a toda la serie produce entonces un promedio que tal vez no describa bien ninguno de esos periodos.

Los modelos de cambio de régimen intentan localizar las transiciones entre conjuntos de parámetros o niveles. Su flexibilidad exige restricciones. Si se admite un régimen nuevo para cada fluctuación, el ajuste reproduce los datos sin ofrecer una descripción generalizable, por lo que el número de cambios debe evaluarse junto con su incertidumbre y su capacidad predictiva.

Una diferencia de promedios no demuestra por sí sola un nuevo régimen dinámico. Puede deberse a una entrada externa transitoria que desplaza el estado mientras la regla de evolución se mantiene. Para distinguir ambas explicaciones interesa observar la recuperación, la respuesta a perturbaciones y la relación con variables contextuales.

Para ciertas preguntas basta con una estabilidad local. Un modelo válido durante una semana puede describir ese periodo aunque no se transfiera a otro, siempre que su alcance temporal quede declarado.

Comparar periodos exige además equivalencia de medición. Si el instrumento cambió al mismo tiempo que el contexto, los diseños con solapamiento de instrumentos o con información externa ayudan a separar el cambio del sistema del cambio en su observación.

433.17. Qué observaciones sostienen una atribución de rasgo

Una atribución de estabilidad gana apoyo cuando una regularidad se repite en periodos y contextos pertinentes, observados con procedimientos comparables. La repetición debe abarcar ocasiones en que la característica podría haberse expresado de otro modo. Observar siempre la misma situación limita la generalización a las demás.

Importa también distinguir la estabilidad del nivel de la estabilidad de la respuesta. Una persona puede mantener un promedio semejante mientras cambia su reacción ante exigencias específicas. Otra puede modificar su promedio y conservar una relación constante entre contexto y respuesta. Ambas propiedades pueden ser clínicamente relevantes, aunque describen disposiciones distintas.

Un modelo de rasgo puede someterse a prueba prediciendo periodos que no se usaron para estimarlo. Si la estimación obtenida en una fase anticipa de manera sistemática lo observado en otra, hay evidencia de transferencia dentro de las condiciones estudiadas. Esa prueba es más exigente que describir retrospectivamente el mismo periodo con que se estimó el modelo.

La falta de transferencia puede deberse a una inestabilidad real, a cambios en la medición o a una estimación imprecisa. El análisis debe intentar discriminar entre esas posibilidades. Una discrepancia aislada no demuestra la ausencia de un rasgo, del mismo modo que una concordancia no prueba la existencia de una propiedad inmutable.

Molenaar (2004) defendió que los procesos psicológicos se estudien en el nivel individual, con herramientas adecuadas a la variación intraindividual, precisamente porque los resultados obtenidos entre personas no se trasladan a la persona sin condiciones que rara vez se cumplen. Desde esa perspectiva, el concepto de rasgo mantiene su utilidad cuando se vincula con preguntas observables sobre qué regularidades pertenecen a una persona concreta y bajo qué condiciones se mantienen.

433.18. Carga acumulada y distribución de esa carga

Una trayectoria puede resumirse mediante el área de exceso sobre una referencia, siempre que la escala admita esa operación. En el ejemplo, el exceso diario sobre el nivel basal es de cinco unidades durante treinta y un días, de modo que la carga acumulada suma 155 unidades-día, es decir, unidades de puntuación multiplicadas por días. El cálculo conserva amplitud y duración, aunque pierde la distribución temporal del exceso.

El mismo exceso podría concentrarse en un único tramo o repartirse en muchos periodos breves. Ambas trayectorias tendrían igual área y podrían diferir en funcionamiento, en oportunidades de recuperación y en su relación con el contexto. La igualdad de carga acumulada no implica equivalencia clínica.

Si la escala original es ordinal, interpretar el área como cantidad exige supuestos adicionales sobre las distancias entre puntuaciones. Puede usarse como índice definido por una regla, siempre que su unidad se describa en esos términos. Integrar en el tiempo una puntuación ordinal no la convierte en una magnitud física.

Cada resumen conserva una propiedad distinta. El área responde a preguntas sobre exposición acumulada, la longitud de los tramos describe continuidad y el número de transiciones informa sobre alternancia. Comparar estas medidas permite distinguir trayectorias que un único promedio o un único recuento trataría como semejantes. En un análisis aplicado, la elección del resumen debería preceder a cualquier juicio sobre cuál trayectoria representa mayor persistencia o mayor dificultad.

433.19. Una afirmación temporal bien delimitada

En la serie sintética hubo tres tramos elevados, dos de ellos cumplieron la duración operacional y su visibilidad cambió con la resolución y con el origen de las ventanas. Es posible calcular una carga media del periodo y mostrar que ventanas más breves producen estimaciones distintas. Ninguno de esos resultados autoriza, por sí solo, a atribuir una disposición clínica permanente.

Una descripción longitudinal útil conserva las escalas temporales que cada afirmación requiere e indica qué datos respaldan cada nivel de descripción, sin reducirlos a una única cifra.

Los modelos deberían seguir esa misma organización, con parámetros temporales, reglas de agregación y condiciones de estabilidad que correspondan al fenómeno que pretenden explicar. Cuando esa correspondencia se declara, las discrepancias entre registros obtenidos con procedimientos distintos pueden analizarse como información sobre qué aspecto de la trayectoria captó cada uno.

Referencias

Fisher, A. J., Medaglia, J. D. y Jeronimus, B. F. (2018). Lack of group-to-individual generalizability is a threat to human subjects research. Proceedings of the National Academy of Sciences, 115(27), E6106–E6115. https://doi.org/10.1073/pnas.1711978115

Hamaker, E. L., Kuiper, R. M. y Grasman, R. P. P. P. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102–116. https://doi.org/10.1037/a0038889

Molenaar, P. C. M. (2004). A manifesto on psychology as idiographic science: Bringing the person back into scientific psychology, this time forever. Measurement: Interdisciplinary Research and Perspectives, 2(4), 201–218. https://doi.org/10.1207/s15366359mea0204_1