《Structural Equation Modeling: A Multidisciplinary Journal》:Dynamic Modeling with Intensive Longitudinal Data: One-Step and Two-Step DSEM Approaches
编辑推荐:
本研究评估并比较了一步法和两步法动态结构方程模型(DSEM)用于分析密集纵向数据的方法。在一步法DSEM中,个体内动态模型和个体间模型被同时估计。在两步法DSEM中,首先从个体内模型中提取动态成分估计值,随后在第二步中估计个体间关系。研究人员进一步探讨了在第一
本研究评估并比较了一步法和两步法动态结构方程模型(DSEM)用于分析密集纵向数据的方法。在一步法DSEM中,个体内动态模型和个体间模型被同时估计。在两步法DSEM中,首先从个体内模型中提取动态成分估计值,随后在第二步中估计个体间关系。研究人员进一步探讨了在第一步中将个体水平变量作为辅助变量是否会影响两步法DSEM的表现。通过模拟研究评估了这些建模方法,并用一个真实数据示例加以说明。结果表明,不包含辅助变量的两步法DSEM表现出估计偏差、低覆盖率以及膨胀的I类错误率。相比之下,当数据量充足(例如时间点≥30且个体数≥100)时,一步法DSEM和包含辅助变量的两步法DSEM均产生了满意的结果。讨论了研究启示、建模建议及未来研究方向。
研究背景方面,密集纵向数据(ILD)在心理学、行为科学和健康研究领域日益广泛用于研究自然情境中的个体内动态过程。常用的ILD收集设计包括测量爆发设计、经验取样、日常日记和生态瞬时评估。ILD具有多水平或嵌套结构,即重复测量嵌套于个体内,导致观测值不独立,需要采用多水平模型或结构方程模型(SEM)进行分析。动态结构方程模型(DSEM)整合了时间序列分析、多水平建模和结构方程建模的优势,成为分析ILD的有力框架。在DSEM中,个体内动态过程和个体间关系可同时估计(一步法DSEM),也可分步估计(两步法DSEM)。然而,两步法DSEM中是否应在第一步动态建模中包含个体水平变量作为辅助变量,这一问题尚待解决。
研究人员通过仿真研究和真实数据示例,系统比较了一步法DSEM、两步法无辅助变量DSEM和两步法有辅助变量DSEM三种方法的性能。仿真研究基于多水平一阶自回归(AR(1))个体内模型和个体间中介模型,在不同效应量、样本量(N=50~500)和时间点(T=10~100)条件下生成数据,共175个条件,每个条件500次重复。一步法DSEM采用贝叶斯估计(MCMC方法),两步法DSEM的第一步使用贝叶斯估计,第二步使用最大似然(ML)估计,并采用多重插补法(D=50个随机抽取)合并结果。真实数据示例基于Notre Dame健康与幸福研究(732名参与者,年龄20~87岁,56天日常负面情绪评估,抑郁症状在波1和波2测量),检验抑郁症状通过日常负面情绪动态成分(个体内均值、惯性、对数转化冲击方差)的中介作用。
关键技术方法主要包括:(1)贝叶斯估计(使用Mplus实现,MCMC Gibbs抽样,两条链各10000次迭代,前5000次退火)用于一步法DSEM和两步法DSEM的第一步;(2)最大似然(ML)估计用于两步法DSEM的第二步(个体间模型);(3)Rubin规则的多重插补合并方法,从后验分布中抽取50组动态成分估计值,合并得到点估计和置信区间。样本队列来源于Notre Dame健康与幸福研究(Notre Dame Study of Health & Well-Being),包含732名参与者。
研究结果分为仿真研究和真实数据示例两部分。
**仿真研究结果**
**收敛率:** 在所有条件和三种方法下,收敛率均大于96%,表现满意。
**偏差分析(效应量条件1,所有路径系数非零):** 一步法DSEM和两步法(有辅助变量)DSEM在T和N足够大时达到可忽略的估计偏差;一步法DSEM在小样本(如N=50或T=10)时偏差更小;两步法(无辅助变量)DSEM在所有条件下均对a2、b2和c'存在不可忽略的偏差(即使T=100、N=500时,a2偏差-16%,b2偏差82%,c'偏差-17%)。
**覆盖率分析(效应量条件1):** 一步法DSEM和两步法(有辅助变量)DSEM在T≥20时对所有路径系数达到满意覆盖率(接近95%);两步法(无辅助变量)DSEM存在严重覆盖不足,且随着N增大而恶化(例如T=100、N=500时a2覆盖率降至69%~87%)。
**I类错误率(效应量条件6,b2=0):** 一步法DSEM在所有条件下I类错误率满意;两步法(有辅助变量)DSEM在T=10或20时I类错误率偏低(<2.5%),但T≥30且N≥100或T≥50时进入满意范围;两步法(无辅助变量)DSEM在T≤50时I类错误率为0%或1%,仅在T=100时接近满意范围。
**真实数据示例结果**
三种方法在a路径(抑郁波1→动态成分)上均显著且估计值相似。在b路径(动态成分→抑郁波2)上,一步法DSEM和两步法(有辅助变量)DSEM的b1显著(均值路径),b2和b3不显著,且点估计和区间估计接近;两步法(无辅助变量)DSEM的b1估计值(12.56)明显小于前两者(约20.84),b2和b3方向相反。间接效应a1b1(通过均值的中介)在一步法和两步法(有辅助变量)中显著且估计值相似(0.27),而两步法(无辅助变量)的估计值仅一半(0.14),且a2b2和a3b3符号相反。计算时间方面,一步法DSEM总计算时间最短,两步法(无辅助变量)次之,两步法(有辅助变量)最长。
**讨论与结论**
讨论部分指出,一步法DSEM和两步法(有辅助变量)DSEM在数据充足(T≥30、N≥100)时表现满意,一步法在更少数据下表现更优。两步法(无辅助变量)DSEM存在显著偏差、覆盖不足和I类错误膨胀,即使在大样本下仍表现不佳。其性能差异在于:两步法(有辅助变量)在第一步中通过多元正态分布包含了辅助变量的预测分布,从而改进了动态成分与个体水平变量之间协方差的估计;而两步法(无辅助变量)忽视了这一信息。研究结论强调,建议在实际应用中优先使用一步法DSEM(当计算可行时),或使用包含辅助变量的两步法DSEM,并避免使用无辅助变量的两步法DSEM。未来研究需考虑缺失数据、非正态性以及更复杂模型(如交互效应)下的表现,并探索两步法在三级DSEM、连续时间模型等更广泛场景中的应用。