En estudios de naturaleza longitudinal, temporal o espacial, es común obtener series de observaciones categorizadas ordinales. Cuando tratamos con conjuntos de datos longitudinales, se genera una dependencia entre las observaciones de un mismo sujeto, no resultando apropiados los métodos que asumen independencia. Liang y Zeger (1986) introducen un método basado en las ecuaciones de estimación generalizadas (GEE). Modelan la distribución marginal de la variable respuesta como función de las covariables, asumiendo un modelo lineal generalizado o de cuasi-verosimilitud, e incorporan la asociación para obtener estimaciones más precisas y confiables de los parámetros marginales. Heagerty y Zeger (1996) extienden esta idea a variables ordinales, utilizando modelos acumulativos para explicar la respuesta en cada momento en relación a las covariables y odds ratios globales para modelar la asociación. Los modelos acumulativos suponen la existencia de una variable continua subyacente, no observable, que origina las categorías según ciertos puntos de corte. Esto sugiere una manera de generar conjuntos de datos ordinales longitudinales a partir de la categorización de variables continuas correlacionadas. Al mismo tiempo, provee una forma de verificar la validez del modelo desde su formulación, comparando los parámetros estimados con aquellos que realmente se utilizaron para definir las categorías. Así, en este trabajo se evaluó mediante simulaciones en qué medida el modelo ordinal longitudinal acumulativo recupera información de las variables continuas que generan las categorías. El estudio se realizó en dos sentidos: confiabilidad y eficiencia de las estimaciones. La confiabilidad mostró ser alta para tamaños de muestra grandes, aunque también para muestras chicas en algunas situaciones. La pérdida de eficiencia de los estimadores obtenidos asumiendo independencia en relación a los que incorporan la asociación entre las respuestas dependió de la intensidad de la asociación y de la matriz de diseño.
