潜变量交互效应分析方法

简要回顾了分析显变量交互效应的常用方法。详细讨论了目前分析潜变量交互效应的主要方法,包括用潜变量的因子得分做回归分析、分组线性结构方程模型分析、加入乘积项的结构方程模型分析和两步最小二乘回归分析,并比较和评价了这些方法的优缺点。最后归纳了潜变量交互效应分析方法的研究趋势,并介绍了新近进展(包括LMS方法和GAPI方法)。     

基于结构方程模型的有调节的中介效应分析

有调节的中介模型是中介过程受到调节变量影响的模型。指出了目前有调节的中介效应分析普遍存在的问题：当前有调节的中介效应检验大多使用多元线性回归分析,忽略了测量误差;而基于结构方程模型(SEM)的有调节的中介效应分析需要产生乘积指标,又会面临乘积指标生成和乘积项非正态分布的问题。在简介潜调节结构方程(LMS)方法后,建议使用LMS方法得到偏差校正的bootstrap置信区间来进行基于SEM的有调节的中介效应分析。总结出一个有调节的中介SEM分析流程,并有示例和相应的Mplus程序。文末展望了LMS和有调节的中介模型的发展方向。     

潜变量交互效应标准化估计：方法比较与选用策略

标准化估计对模型的解释和效应大小的比较有重要作用。虽然潜变量交互效应的恰当标准化估计公式已经面世超过10年, 国内外都在使用和引用, 但至今未见到关于不同估计方法得到的恰当标准化估计的系统比较。通过模拟实验, 比较了乘积指标法、潜调节结构方程(LMS)、无先验信息和有先验信息的贝叶斯法的潜变量交互效应标准化估计在不同条件下的表现。结果发现, 在正态条件下, LMS和有信息贝叶斯法表现较好; 而在非正态条件下, 乘积指标法比较稳健, 但需要较大的样本(不小于500), 小样本且外生潜变量之间相关很低时可使用无信息贝叶斯法。     

无均值结构的潜变量交互效应模型的标准化估计

潜变量交互效应建模研究近年来有两项重要进展, 一是提出了潜变量交互效应模型的标准化估计及其计算公式; 二是发现无均值结构模型可以取代传统的有均值结构模型, 建模大为简化。但标准化估计是在传统的有均值结构模型中建立的, 在简化的模型中同样适用吗？本文在无均值结构模型的框架内, 给出了潜变量交互效应模型的标准化形式、计算公式和建模步骤, 并通过模拟研究比较了极大似然和广义最小二乘两种估计方法、配对乘积指标和全部乘积指标两种指标类型, 结果表明, 在计算交互效应的标准化估计时, 应当使用配对乘积指标建模, 并且首选极大似然估计。     

有调节的多层中介效应分析

多层中介和多层调节效应分析在社科领域已常有应用,但如果将多层中介和调节整合在一起,可以产生2（多层中介类型）×2（调节变量的层次）×3（调节的中介路径）共12种有调节的多层中介模型。面对有调节的多层中介效应分析,研究者往往束手无策。详述了基于多层线性模型的12种有调节的多层中介的分析方法和基于多层结构方程模型的4类有调节的多层中介分析方法,包括正交分割法,随机系数预测法,潜调节结构方程法和贝叶斯合理值法。这四类方法的核心议题在于如何处理潜调节项。当样本量足够大时,建议选择潜调节结构方程法;当样本量不足时,建议选择贝叶斯合理值法。随后用一个实际例子演示如何进行有调节的多层中介效应分析并有相应的Mplus程序。最后展望了有调节的多层中介效应分析研究的拓展方向。     

基于结构方程模型的多层调节效应

使用多层线性模型进行调节效应分析在社科领域已常有应用。尽管多层线性模型区分了层1自变量的组间和组内效应、实现了多层调节效应的分解, 仍然存在抽样误差和测量误差。建议在多层结构方程模型框架下, 设置潜变量和多指标来有效校正抽样误差和测量误差。在介绍多层调节SEM分析的随机系数预测法和潜调节结构方程法后, 总结出一套多层调节的SEM分析流程, 通过一个例子来演示如何用Mplus软件进行多层调节SEM分析。随后评述了多层调节效应分析方法在国内心理学的应用现状, 并展望了多层结构方程和多层调节研究的拓展方向。     

潜变量交互效应建模方法演变与简化

综述了近年来加入乘积指标的潜变量交互效应建模方法, 从产生乘积指标的策略、参数约束方法、均值结构与指标中心化的关系三个方面, 讨论了建模方法的简化进程。最后总结出同类方法中比较简洁又不失精确的潜变量交互效应建模方法—— 无需均值结构的无约束方法, 并给出了建模 步骤。     

纵向数据的调节效应分析

目前调节效应检验主要是基于截面数据, 本文讨论纵向(追踪)数据的调节效应分析。如果自变量X和因变量Y有纵向数据, 调节效应可分为三类：调节变量Z不随时间变化、Z随时间变化、调节变量从自变量或因变量中产生。评介了基于多层模型、多层结构方程模型、交叉滞后模型和潜变量增长模型的纵向数据的多种调节效应分析方法。调节效应的分解和潜调节结构方程法的使用是纵向数据的调节效应分析的两大特点。对基于四类模型的调节效应分析方法进行综合比较后, 总结出一个纵向数据的调节效应分析流程。随后用实际例子演示如何进行纵向数据的调节效应分析, 并给出相应的Mplus程序。随后展望了纵向数据的调节效应分析的拓展方向, 例如基于动态结构方程模型的密集追踪数据的调节效应分析。     

在亚健康状态研究中运用结构方程模型的合理性

亚健康状态是处于健康与疾病之间的一种“非病但非健康”的中间状态,主要表现为躯体、心理和社会适应等方面的不适,目前尚没有公认的概念和测量诊断工具。由于亚健康状态研究数据中含有潜变量、测量误差以及变量间关系需要确定等因素,不能使用传统的统计学方法进行处理。结构方程模型能够同时处理观测变量、潜变量、测量误差及变量间的关系,应用结构方程模型验证亚健康状况测量量表的结构效度和亚健康状态理论模型是非常合理的。     

贝叶斯结构方程模型及其研究现状

在心理学研究中结构方程模型(Structural Equation Modeling, SEM)被广泛用于检验潜变量间的因果效应, 其估计方法有频率学方法(如, 极大似然估计)和贝叶斯方法两类。近年来由于贝叶斯统计的流行及其在结构方程建模中易于处理小样本、缺失数据及复杂模型等方面的优势, 贝叶斯结构方程模型发展迅速, 但其在国内心理学领域的应用不足。主要介绍了贝叶斯结构方程模型的方法基础和优良特性, 及几类常用的贝叶斯结构方程模型及其应用现状, 旨在为应用研究者介绍新的研究工具。     

潜变量交互效应建模: 告别均值结构

潜变量交互效应建模研究近年来有了长足的发展, 但模型中被认为不可缺少的均值结构往往让实际应用工作者却步。本文首先分析了潜变量交互效应模型中均值结构产生的根源; 然后讨论了指标变换与均值结构的关系; 接着提出了一个均值为零的潜变量交互结构, 所建立的模型不需要均值结构, 却不会改变主效应和交互效应等参数; 最后用模拟例子对无均值结构和有均值结构的两种模型的参数估计进行了比较, 结果符合理论预期, 困扰人们多年的均值结构问题从此可以终结。     

如何描述发展趋势的差异：潜变量混合增长模型

在追踪研究中,研究者不仅关心某一特质随时间的发展趋势,而且关注个体之间发展趋势的差异及其存在差异的原因。在总体发展同质的情形下,多层线性模型和潜变量增长曲线模型为解决这一问题提供了切实有效的方法。但是如果所研究的总体本身不同质,就需要一种能够描述总体中不同质子总体的不同发展特点的方法。该文简要介绍了一种能够描述不同群体不同发展趋势特征的统计模型——潜变量混合增长模型,并通过一个实际例子介绍了这一方法的应用过程,同时说明了潜变量混合增长模型与多层线性模型和潜变量增长曲线模型之间的关系     

二阶潜增长模型标度方法及其可比的一阶潜增长模型

潜增长模型(LGM)是分析纵向数据的一种强有力工具,在心理学和其他社会科学研究领域受到重视。多指标测量的变量,既可以用合成分数建立单变量LGM(一阶LGM),也可以用指标建立潜变量LGM(二阶LGM)。简述了二阶LGM标度方法(包括尺度指标法和效应编码),提出了有可操作性的潜变量标准化标度方法和合成分数的一阶LGM标准化模型。系统总结了二阶LGM标度方法及其可比的一阶LGM建模,并用多指标变量的实测数据进行示例。推荐使用效应编码法对二阶LGM进行标度和标准化。     

基于多层结构方程模型的情境效应分析—— 兼与多层线性模型比较

多层(嵌套)数据的变量关系研究, 必须借助多层模型来实现。两层模型中, 层一自变量Xij按组均值中心化, 并将组均值 置于层2截距方程式中, 可将Xij对因变量Yij的效应分解为组间和组内部分, 二者之差被称为情境效应, 称为情境变量。多层结构方程模型(MSEM)将多层线性模型(MLM)和结构方程模型(SEM)相结合, 通过设置潜变量和多指标的方法校正了MLM在情境效应分析中出现的抽样误差和测量误差, 同时解决了数据的多层(嵌套)结构和潜变量的估计问题。除了分析原理的说明, 还以班级平均竞争氛围对学生竞争表现的情境效应为例进行分析方法的示范, 并比较MSEM和MLM的异同, 随后展望了MSEM情境效应模型、情境效应无偏估计方法和情境变量研究的拓展方向。     

回归混合模型：方法进展与软件实现

近来以个体为分析对象的方法日益受到研究者的重视, 其中潜类别和潜剖面模型最为流行。研究者在潜类别和潜剖面模型建模时往往需要进一步探讨协变量与潜分组之间的关系(即带有协变量的潜类别模型)。例如, 哪些变量预测个体类别归属, 以及个体的类别归属对结果变量的预测。本文对近年来研究者提出的各种方法进行了回顾和比较。包括当结果变量是分类变量的LTB法; 当结果变量是连续变量时的BCH和稳健三步法。在此基础上, 文章为应用研究者提供了Mplus软件示例, 并在最后对当前研究存在的问题和未来研究趋势进行了简要评价。     

探索性结构方程建模(ESEM):EFA和CFA的整合

探索性结构方程建模(ESEM)是在测量模型部分使用了类似于EFA模型的SEM.作为一种高级统计方法,ESEM整合了EFA和CFA两种因子分析方法的功能和优点.通过ESEM,研究者既可以灵活地探索因子结构,又可以系统地验证因子模型,为潜变量的关系分析提供更适宜的测量模型.ESEM已经在某些社科领域的研究中得到应用,是一种值得推介的因子分析方法.ESEM的具体应用问题,例如因子旋转方法的选用、测验信度评价等,仍有待探讨.     

第二类有中介的调节模型

心理学研究常用有中介的调节模型揭示调节作用通过中介变量间接实现的现象。介绍了第二类有中介的调节模型(meMO-II)的概念及优势; 将meMO-II与其它中介调节混合模型进行了辨析; 给出了meMO-II的建模方法和分析流程, 并用一个实例演示; 介绍了基于潜变量的meMO-II的分析方法、meMO-II建模方法的新进展以及meMO-II的变式。研究有助于推动调节机制研究的发展。     

结构方程模型统计检验力分析：原理与方法

结构方程模型是心理学、管理学、社会学等学科中重要的统计工具之一。然而, 大量使用结构方程模型的研究忽视了对该方法的统计检验力进行必要的分析和报告, 在一定程度上降低了这些研究的结果的证明效力。结构方程模型的统计检验力分析方法主要有Satorra-Saris法、MacCallum法与Monte Carlo法三类。其中Satorra-Saris法适用于备择模型清晰、检验对象相对简单、检验方法基于χ²分布的情形; MacCallum法适用于基于χ²分布的模型拟合检验且备择模型不明的情形; Monte Carlo法适用于检验对象相对复杂、采用模拟或重抽样方法进行检验的情形。在实际应用中, 研究者应当首先判断检验的目的、方法以及是否有明确的备择模型, 并根据这些信息选择具体的分析方法。     

执行功能可分离性及与年龄关系的潜变量分析

应用潜变量分析研究抑制优势反应、记忆刷新和注意转换三种执行功能的可分离性,以及与年龄的关系。被试为18~85岁的健康成年人142名,完成九项执行功能任务。结果显示：本研究设计的九项执行功能任务有较好的信度;验证性因子分析显示,九项任务与对应执行功能间的因子负荷较高（汇聚性效度好）,而不同执行功能间的相关较低（鉴别性效度好）;在此基础上建立了三种执行功能及其与年龄关系的潜变量分析模型。研究结果表明,执行系统不是单一的认知结构,可以分离为若干相对独立的执行加工过程。     

结构方程建模中的题目打包策略

结构方程建模中题目打包法的优缺点包括：指标数据质量变好、模型拟合程度提高; 估计偏差不大, 可校正; 估计稳定, 但降低了敏感性与可证伪性。打包法的前提条件是单维、同质, 适合结构模型分析, 不适合测量模型分析。对于单维测验, 给出了一个打包流程。对于通常的多个子量表(多维结构)测验, 推荐在子量表内打包, 每个子量表打包成1个指标或者3个指标, 用于结构方程建模。