多信息源动态评分一致性模型：理论与应用

《British Journal of Mathematical and Statistical Psychology》：Idiographic interrater reliability measures for intensive longitudinal multirater data

本文提出并应用了多信息源多层潜状态-自回归（MR-MLTS）模型，该模型结合动态结构方程模型（DSEM）和多特质-多方法（MTMM）框架，用于分析密集纵向数据中不同评分者（如自我报告和伴侣报告）间的一致性。文章通过分解观察变量的方差成分（如特质、状态、测量误差），引入动态因子（如自回归效应、创新方差）和评分者特异性因子，定义了个体水平的评分者一致性系数（如RCon、RConLag、RConInn），并利用贝叶斯MCMC方法进行估计。该模型为研究人际感知准确性提供了新工具，适用于情感、人格等领域的动态评分一致性分析。

　　

模型框架与理论基础

多信息源多层潜状态-自回归（MR-MLTS）模型整合了动态结构方程模型（DSEM）和多特质-多方法（MTMM）框架的核心思想，旨在分析密集纵向数据中多评分者报告的一致性。该模型通过分解观察变量的方差成分（如_jk,it）为特质成分（_μjk,i）和潜状态成分（_y^wjk,it），进一步将潜状态变量分解为测量误差（_ε^wjk,it）和真实得分（_y^*wjk,it）。在MTMM框架下，模型采用相关特质-相关方法减一（CTC(M-1)）策略，将参考评分者组（如自我报告）的潜变量作为预测因子，非参考评分者组（如伴侣报告）的潜变量则通过加权交叉载荷（如_λ^wOjk,i）和评分者特异性因子（如_OR^wk,it）进行建模。这种设定允许评分者一致性系数存在个体差异，为研究人际感知的动态过程提供了理论基础。

测量不变性与模型设定

为确保模型参数的可比性，MR-MLTS模型需满足跨时间、个体和评分者组的弱测量不变性。具体而言，因子载荷（如_λ^wOj1）需在时间点上恒定，交叉载荷（如_λ^wOjk,i）则允许在个体间随机变异，以捕捉评分者一致性的异质性。模型通过约束自回归效应（如_?O1,i）和创新方差（如_σ²ζO1,i）的时点不变性，确保动态过程的平稳性。此外，测量误差方差（如_σ²εjk）也假设为恒定，以简化模型识别。这些设定为模型在实证应用中的参数解释提供了可靠性保障。

动态过程与评分者一致性系数

在动态层面，MR-MLTS模型通过一阶自回归过程（AR(1)）刻画潜变量的时间依赖性。例如，参考评分者组的潜变量（如_O^w1,it）受其前一时刻值（如_O^w1,i(t-1)）的影响，系数为_?O1,i，创新方差为_σ²ζO1,i。评分者一致性系数通过方差分解计算，包括整体一致性（RCon）、创新成分一致性（RConInn）和时滞成分一致性（RConLag）。以RCon为例，其公式为：

RCon(_y^wjk,i) = [_λ^wOjk,i²· _σ²O1,i] / [_λ^wOjk,i²· _σ²O1,i+ _λ^wORjk,i²· _σ²ORk,i]

该系数反映了伴侣评分中与自我评分共享的方差比例，值越高表明评分者间一致性越强。这些系数可通过贝叶斯方法估计，并进一步与个体间变量（如关系时长、情绪资源）关联，以探索一致性差异的预测因素。

实证应用与结果

研究使用德国100对异性恋伴侣的密集纵向数据（86个时间点），以正向情感（如快乐、热情、满足）为指标，验证MR-MLTS模型的实用性。结果显示，评分者一致性系数存在显著个体差异：平均RCon值介于0.357–0.413之间，表明伴侣评分与自我评分共享约36%–41%的方差，但个体间标准差达0.210–0.286，部分个体的系数低至0.007，高至0.890。创新成分一致性（RConInn）和时滞成分一致性（RConLag）的分布进一步揭示了动态特性的异质性，例如RConInn值较高说明伴侣能敏锐感知目标情感的意外波动。模型参数估计中，因子载荷（如_λ^wO12= 0.556）和自回归效应（如_?O= 0.603）均达到统计显著性，支持模型的有效性。

模型拓展与实践意义

MR-MLTS模型可通过引入个体间协变量（如年龄、认知资源）解释评分者一致性的变异，例如将关系时长与一致性系数关联，探索人际因素对共情准确性的影响。此外，模型允许在动态层面纳入时变协变量（如日常压力事件），通过交互项分析其对自回归效应或创新方差的调节作用。实践应用中，该模型为临床心理学（如治疗联盟评估）和社会心理学（如亲密关系动态）提供了工具，通过量化评分者一致性，助力识别感知偏差的个体风险因素。未来研究可扩展至多评分者组（如朋友报告）或非线性动态过程，以进一步提升模型的适用性和解释力。