多主题、多层次及短时间序列的综合趋势与滞后建模

《Multivariate Behavioral Research》：Integrated Trend and Lagged Modeling of Multi-Subject, Multilevel, and Short Time Series

多水平非线性增长曲线模型中单阶段贝叶斯方法优于两阶段方法，尤其在样本量充足（500人）且随机效应误设为对角结构时表现更优。实证研究表明两阶段方法可能导致儿童阅读能力评估结论偏差，强调趋势与个体变异的同步建模重要性。

　　

摘要

趋势代表了个体内部的系统性变化，这些变化发生在较慢的时间尺度上。如果不予考虑，可能会导致时间序列模型在估计瞬时变化模式时产生偏差。在多层级纵向面板数据的背景下（即具有相对较少测量次数的嵌套数据结构），去趋势方法的适用性很少被评估。本文比较了两种两阶段去趋势方法与单阶段贝叶斯方法在拟合具有自回归残差（ml-GAR）的多层级非线性增长曲线模型时的有效性，其中增长过程和自回归过程都包含随机效应。蒙特卡洛模拟研究表明，与两阶段方法相比，当个体数量较多（例如500个个体）时，单阶段贝叶斯方法在仅有五个时间点的情况下仍能表现出令人满意的性能。当趋势过程和自回归过程之间的相关随机效应被错误地指定为对角线随机效应结构时，单阶段贝叶斯方法的表现仍然优于其他两阶段方法。来自“早期儿童纵向研究-幼儿园班级”（ECLS-K）数据的实证结果表明，与单阶段方法相比，使用两阶段方法得出的关于儿童阅读能力的结论存在显著偏差，这突显了在可行的情况下同时建模趋势和个体内部变异性的重要性。