协变量相关对时变效应模型参数估计的影响

时变效应模型被广泛应用于密集追踪研究中,研究者往往会同时纳入2个或以上协变量。然而,协变量相关对其参数估计的影响较少被研究者关注。本研究在不同类型协变量的情境下,采用蒙特卡洛模拟,探讨协变量相关对时变效应模型参数估计的影响,结果表明：（1）在两种协变量类型的情境下,协变量相关都会影响时变效应模型斜率函数β_1和斜率函数β_2参数估计的准确性;（2）两种协变量类型的情境下,协变量相关和样本量的交互作用都会影响时变效应模型斜率函数β_1和斜率函数β_2参数估计的准确性;（3）两种协变量类型的情境下,样本量、观测数据缺失率主要通过主效应影响时变效应模型参数估计的准确性。     

密集追踪数据的中介效应分析

随着密集追踪数据在社科领域的广泛运用, 如何对密集追踪数据进行中介效应分析吸引了诸多研究者的注意。如果还是按通常追踪数据一样对待, 采用多水平模型和多水平结构方程模型进行中介效应分析, 则既忽略了变量之间的先后顺序, 也无法探究变量之间动态变化的关联。本文以1-1-1密集追踪中介模型为例, 详述了基于多水平自回归模型(MAM)及其变式(残差MAM)、动态结构方程模型(DSEM)及其变式(残差DSEM、交叉分类的DSEM)的密集追踪中介效应分析方法, 并总结出一个分析流程。用示例演示如何进行密集追踪数据的中介效应分析, 并给出了相应的Mplus和R程序。最后讨论了密集追踪数据的中介效应分析的拓展方向。     

密集追踪数据的有调节的中介效应分析

密集追踪数据在心理学、管理学等领域的应用日益增多,但密集追踪数据的分析方法研究却比较欠缺。如果将密集追踪数据的有调节的中介效应当成有调节的多水平中介效应进行分析,则忽略了变量之间的历时性关系。本文使用动态结构方程模型建构了被层2变量调节的1-1-1、2-1-1、2-2-1密集追踪中介模型和被层1变量调节的1-1-1密集追踪中介模型。用模拟研究考察了被层2变量调节的1-1-1密集追踪中介模型的参数估计的准确性。接着用示例演示如何进行有调节的密集追踪中介效应分析,并给出相应的Mplus程序。最后,讨论了基于动态结构方程模型的有调节的密集追踪中介模型的前提假设以及模型的拓展。     

密集追踪数据分析：模型及其应用

在心理学、教育学和临床医学等领域, 越来越多的研究者开始关注个体内部的行为、心理、临床效果等随时间而产生的动态变化, 重视针对个体的差异化建模。密集追踪是一种在短时间内对个体进行多个时间节点密集追踪测量的方法, 更适合用于研究个体内部心理过程等的动态变化及其作用机制。近年来, 密集追踪成为心理学研究的一大热点, 但许多密集追踪的研究分析仍停留在较为传统的方法。方法学领域已涌现出较多用于密集追踪数据分析的模型方法, 较为主流的模型包括以动态结构方程模型(Dynamic Structural Equation Model, DSEM)为代表的自上而下的建模方法, 以及以组迭代多模型估计(Group Iterative Multiple Model Estimation, GIMME)为代表的自下而上的建模方法。二者均可以方便地对密集追踪数据中的自回归及交叉滞后效应进行建模。     

追踪研究在组织行为学中的应用

追踪研究是一种通过引入时滞, 以探索变量动态变化趋势和变量之间相互关系的调查研究方法。近年来, 在组织行为学中, 追踪研究越来越受到学者们的关注, 追踪研究成果也在逐渐增加, 但是大多数研究者尤其是国内研究者, 对追踪研究尚缺乏全面正确的认识。追踪研究设计可以依照重复测量之间的时间间隔长短进行分类, 不同的类型对应不同的样本量、调查方式和统计分析方法, 未来可以拓展追踪研究在团队和领导力、组织文化和变革以及员工激励等方面的应用, 或开展跨文化的追踪研究。     

定序变量回归模型在心理数据分析中的应用

定序变量在心理现象和心理数据中随处可见, 采用综合的定序变量回归分析模型可以对“镜像模式”和“漏斗模型”的心理现象做出合理的解释和预测。首先通过非参数检验对影响因素进行初步降维, 其次用Probit定序回归对降维后的影响因素贡献率进行判别, 从而进一步筛选具有显著性判断水平的有效指标, 最后用Logistic回归模型对某种特定的心理现象发生与否进行信息量足够大的解释和预测。大学毕业生工作生活质量满意度的预测对这种综合定序变量回归分析模型的实例拟合, 证实了综合定序变量回归分析模型在心理现象和心理数据分析中的应用价值。     

置信区间宽度等高线图在线性混合效应模型样本量规划中的应用

线性混合效应模型在分析具有嵌套结构的心理学实验数据时具有明显优势。本文提出了置信区间宽度等高线图用于该模型的样本量规划。通过等高线图,确定同时符合检验力、效应量准确性以及置信区间宽度要求的被试量和试次数。结合关注被试内实验效应和被试变量调节效应的两类典型模型,通过两个模拟研究,采用基于蒙特卡洛模拟方法,探索效应量、随机效应大小和被试变量类型对置信区间宽度等高线图及样本量规划结果的影响。     

基于两水平回归模型的调节效应分析及其效应量

使用多元回归法进行调节效应分析在社科领域已常有应用。简述了目前多元回归法的调节效应分析存在的不足,包括人为变换检验模型、自变量和调节变量区分不足、误差方差齐性的假设难以满足、调节效应量指标ΔR²没有直接测量调节变量对自变量与因变量关系的调节程度。比较好的方法是用两水平回归模型进行调节效应分析并使用相应的效应量指标。在介绍新方法和新效应量后,总结出一套调节效应的分析流程,通过一个例子来演示如何用Mplus软件进行两水平回归模型的调节效应及其效应量分析。最后讨论了两水平回归模型的调节效应分析的发展,包括稳健的调节效应分析、潜变量的调节效应分析、有调节的中介效应分析和有中介的调节效应分析等。     

追踪研究中缺失数据处理方法及应用现状分析

追踪研究中普遍存在缺失数据, 缺失数据处理方法的选择影响统计推断的精度及研究结果的有效性。首先, 阐述缺失机制及判断方法, 比较追踪研究中主要的缺失数据处理方法的特点、及实际应用中的缺失处理方法的选择和软件实现。其次, 对国内心理学中92篇追踪研究文献进行分析, 发现有59篇(64.13%)报告不同程度缺失, 其中仅39篇报告了处理方法且均为删除法。未来研究应深入探讨现有缺失数据处理方法的有效性, 进一步规范应用研究中缺失数据的处理。     

纵向Rasch模型在大学新生适应性追踪研究中的应用

对1952名大学新生进行适应性调查,其中285人接受了2次以上的追踪调查,所得的多级评分重复测量数据采用纵向Rasch模型进行统计分析。研究应用SAS的GLIMMIX过程对多层Rasch模型参数估计作了新的尝试。结果表明：（1）新生在第一学年内,学习和情绪适应总体呈上升趋势,人际适应呈下降趋势;（2）不同个体入学时的适应状况差异显著,但是随时间变化的趋势、快慢相同;（3）学习适应分量表的项目稳定性较好,而人际、情绪适应的部分项目难度存在时间效应。研究结果对新生辅导具有启示意义     

追踪研究中的趋势与动态:模型发展、整合与分化

趋势和动态是追踪研究中两大研究问题。趋势研究描述心理构念的系统性变化, 动态研究关注多次测量之间的历时性影响, 而近年来也发展出同时考查趋势和动态的模型, 将这两类研究问题进行整合。介绍了趋势、动态以及结合趋势与动态研究的研究问题及其定义, 分别梳理了它们在面板数据、密集追踪数据中使用的统计模型和注意事项, 通过一个健康与退休研究案例数据详细介绍了上述模型如何建模、如何解释。对诸多的纵向模型的关系进行比较与梳理, 指出了模型选择中的问题, 最终给出了模型选择的框架。     

国内中介效应的方法学研究

中介效应可以分析自变量对因变量的影响过程和作用机制, 已成为分析多个变量之间关系的一种重要统计方法。最近20年, 中介效应成了研究方法的一个热点。从中介效应的检验方法、效应量、类别变量的中介效应检验、纵向数据的中介效应检验和模型拓展(包括多重中介、多层中介、有调节的中介和有中介的调节模型)五个方面系统总结了国内中介效应的方法学研究的发展历程。最后对中介效应的国外方法学研究进展和中介效应的未来研究方向做了讨论和拓展。     

纵向数据的中介效应分析

目前中介效应检验主要是基于截面数据,但许多时候截面数据的中介分析不适合进行因果推断,因而需要收集历时性的纵向数据,进行纵向数据的中介分析。评介了基于交叉滞后面板模型、多层线性模型和潜变量增长模型的纵向数据的中介分析方法及其四个发展。第一,中介效应随时间变化,如连续时间模型、多层时变系数模型。第二,中介效应随个体变化,如随机效应的交叉滞后面板模型和多层自回归模型。第三,中介模型的整合,如交叉滞后面板模型与多层线性模型整合为多层自回归模型。第四,中介检验方法的发展,建议使用Monte Carlo、Bootstrap和贝叶斯法进行纵向数据的中介分析。总结出一个纵向数据的中介分析流程并给出相应的Mplus程序。随后展望了纵向数据的中介分析的拓展方向。