增强广义可概化理论(Generalizability Theory, G-theory)与混合效应位置-尺度模型(Mixed-Effects Location-Scale Model, MELSM)结合以处理心理测量中异方差(Heteroscedasticity)的方法:基于EEG数据的理论导论与应用
《British Journal of Mathematical and Statistical Psychology》:Enhancing generalizability theory with mixed-effects models for heteroscedasticity in psychological measurement: A theoretical introduction with an application from EEG data
编辑推荐:
广义可概化理论(Generalizability Theory, G-theory)定义了一个统计框架,通过将观测分数方差分解为归因于人员(persons)、侧面(facets)及误差的有意义成分来评估测量信度(reliability)。经典G-theory假
广义可概化理论(Generalizability Theory, G-theory)定义了一个统计框架,通过将观测分数方差分解为归因于人员(persons)、侧面(facets)及误差的有意义成分来评估测量信度(reliability)。经典G-theory假设各测量条件下的残差异方差(residual variance)具备同方差性(homoscedasticity),而这一假设在心理与行为数据中常被违背。本研究的核心在于使用混合效应位置-尺度模型(Mixed-Effects Location-Scale Model, MELSM)扩展G-theory,该模型允许残差随条件和人员系统性变化。通过对异方差建模,研究人员扩展了条件广义可概化系数(generalizability coefficient, Eρ2c)和依赖系数(dependability coefficient, Φc)的计算,以反映不同测量精度下的局部信度(local reliability)。作为示例,研究人员将模型应用于脑电图(EEG)实验的经验数据,表明忽视方差异质性会掩盖测量质量的有意义差异。基于模拟的决策研究(Decision Study, D-study)进一步证明,针对性增加测量密度可改善低精度条件或受试者的信度。所提出的框架保留了经典G-theory的解释特征,同时增强了灵活性。研究人员认为该方法有助于深入了解影响信度的条件,并为心理测量中更明智的设计决策提供支持,并讨论了其对个体化信度评估、自适应测量策略及多侧面设计未来扩展的意义。
《基于混合效应位置-尺度模型的异方差广义可概化理论扩展——论文解读》
一、研究背景与问题提出
经典测验理论(Classical Test Theory, CTT)无法区分多种误差来源,仅将除真分数方差外的所有变异归入误差项。广义可概化理论(Generalizability Theory, G-theory)弥补了这一缺陷,通过将观测分数总方差分解为人员(person)、各侧面(facet,如题目、任务、场合、评分者)及其交互作用的方差分量,并借助G研究(G-study)估计方差分量、D研究(Decision Study, D-study)预测不同测量设计下的信度,从而进行更精细的测量质量评价。传统G-theory在G研究和D研究中默认残差(含人员×侧面交互及未解释变异)满足同方差假设(homoscedasticity,即各条件下残差方差σ2e为常数)。然而心理、生理(如EEG、心率在应激条件下)等行为科学数据常出现异方差(heteroscedasticity)——不同任务难度、认知负荷或个体特质导致残差波动程度不同。忽略异方差会造成标准误偏误、信度系数(generalizability coefficient Eρ2与 dependability coefficient Φ)估计失真,进而导致测量设计决策失误。虽已有研究通过分段估计、广义线性混合模型或贝叶斯非参方法处理异质变异,但尚未有人将残差异方差结构系统性地整合入经典G-theory方差分解框架。本文旨在用混合效应位置-尺度模型(Mixed-Effects Location-Scale Model, MELSM)扩展G-theory,允许残差方差随侧面或协变量变化,导出条件广义系数Eρ2c(z)与条件依赖系数Φc(z),并以Flanker任务单次试次(trial-level)事件相关电位ERN(Error-Related Negativity,错误相关负波)数据为实证演示。
二、主要关键技术方法
研究人员采用贝叶斯MELSM框架,通过R语言brms包(调用Stan进行Hamiltonian Monte Carlo采样)拟合同时含位置(均值)子模型和尺度(log残差方差)子模型的双部分混合模型。位置子模型含固定效应(截距、任务内标准化时间、任务间标准化时间、ERN强度分组及交互项)与人员水平随机截距和随机斜率;尺度子模型以相同预测变量建模log残差方差并含对应的人员随机效应,允许位置与尺度随机效应相关(4×4非结构化协方差矩阵)。采用弱信息先验(位置固定效应~N(0,22)或Student-t(3,0,2),尺度固定效应~N(0,0.52),随机效应SD~half-Student-t(3,0,1.5或0.5),相关矩阵~LKJ(1))。模型比较使用PSIS-LOO(Pareto-smoothed importance sampling leave-one-out cross-validation)计算Δelpd。实证数据再分析自Clayson等人公开数据集(N=172名成人,Flanker任务共9810个试次ERN波幅记录),试次序号拆分为人员内中心化(within-person task time)与人员间均值(between-person task time),按平均ERN幅度中位_split为强、弱ERN反应组。G系数由后验抽取方差分量按Eρ2(t,p)=σ2person/[σ2person+σ2e(t,p)/n]计算(n为平均试次数),D研究反解达到目标Φ所需试次数。
三、论文主体结果与发现
2 TRADITIONAL GENERALIZABILITY THEORY(传统广义可概化理论)
回顾单侧面(人×任务)G-theory模型Xpi=μ+νp+τi+(ντ)pi+εpi,总方差σ2X=σ2p+σ2i+σ2e。广义系数Eρ2=σ2p/[σ2p+σ2e/n],依赖系数Φ=σ2p/[σ2p+(σ2e+σ2i)/n]。指出经典模型强制σ2e为常数系核心局限。
2.1 Modelling heterogeneous residual variances(异质残差方差建模)
扩展为σ2e(pi)=exp(λ0+up(sc)+vi(sc)),即在MELSM框架中对数尺度建模残差方差受固定及随机效应调节,允许按任务i或人员p变化,亦可纳入连续协变量z得σ2e(z)=exp(λ0+λ1z+…)。传统同方差模型为其特例(随机尺度效应为0)。
2.2 Reliability coefficients under heteroscedasticity(异方差下的信度系数)
- •
2.2.1 Condition Specific Generalizability Coefficient Eρ2c(条件广义系数):定义Eρ2i=σ2p/[σ2p+σ2e(i)/ni],推广至连续预测变量得动态Eρ2(z)。
- •
2.2.2 Condition-specific dependability coefficient Φc(条件依赖系数):定义Φi=σ2p/[σ2p+(σ2e(i)+σ2i)/ni],亦可条件化σ2e(i)(z)。
3 D-STUDY WITH HETEROSCEDASTIC VARIANCE COMPONENTS(含异方差分量的D研究)
阐述D研究中条件残差方差σ2e(i)经尺度模型预测后,平均ni次试次的有效误差方差为σ2e(i)/ni,由此模拟不同试次分配方案下Eρ2与Φ的变化,揭示异方差时简单均匀增加观测数对各条件信度提升不均等。
- •
3.1.1 Model estimation(模型估计):推荐贝叶斯估计(Stan/brms/JAGS)以获取全后验分布传播不确定性至Eρ2与Φ。
- •
3.1.2 Prior specification(先验设定):详述位置与尺度子模型固定、随机效应及LKJ相关的弱信息先验。
- •
3.1.3 Model selection(模型选择):建议用PSIS-LOO比较异方差MELSM与同方差模型,Δelpd>2×SE视为实质改善,也可用Bayes Factor或WAIC/AIC。
4 APPLICATION TO EMPIRICAL DATA(实证数据应用)
- •
4.1 Clayson et al. Study on ERN dynamics(Clayson等人ERN动态研究再分析)
拟合含人员随机截距与随机斜率(任务内时间)的双子模型MELSM。位置子模型显示弱ERN组整体ERN负向幅值较小(β=3.91, 95%CrI[3.44,4.39]),任务内时间效应为正(β=0.18, CrI[0.00,0.36])且弱组衰减(交互β=-0.23, CrI[-0.46,-0.00])。尺度子模型显示残差SD随任务内时间显著增加(β=0.04, CrI[0.01,0.07]),弱组无显著尺度差异;长时段弱组残差变异性略大(交互后验>0概率≈96.1%)。PSIS-LOO显示异方差MELSM明显优于同方差模型(Δelpd较大,SE较小且超阈值)。
- •
4.2 G-study(G研究)
基于后验算得单人试次Eρ2(t,p)=σ2p/[σ2p+σ2e(t,p)],弱ERN组随时间Eρ2略高且平稳,两组均随任务时长微降;个体间Eρ2轨迹差异明显。
- •
4.3 D-study(D研究)
随平均试次增多Φ上升,弱组因残差方差略小而Φ稍高。反解公式n=(σ2e+σ2i)/(σ2p×(1/Φtarget-1))得达目标Φ=0.6/0.7/0.8所需试次数——弱组全程约需40试次达Φ=0.8,强组近似。
- •
4.4 Discussion of ERN dynamics results(ERN动态结果讨论)
证实MELSM-G理论可产出时间-人员依存的Eρ2与Φ,识别低信度时段/个体以指导提前终止或增补试次,避免经典汇总掩盖的条件间信度差异。
5 GENERAL DISCUSSION(总体讨论,结论翻译)
本文通过将广义可概化理论与混合效应位置-尺度模型整合,展示了如何在G-theory框架内对结构化异方差(残差方差随个体、时间点或条件变化)进行显式建模。通过精神生理学试次级数据的例证,研究人员证明了该方法可揭示被传统同方差假设掩盖的信度变异,并能估计个体与条件依存的信度函数,以及模拟不同试次聚合下的依赖系数。本工作保留了经典G-theory的随机侧面逻辑与宇宙分数(universe-score)分解,仅放松残差同方差假定,导出随条件变化的可概化函数,支持更细粒度的测量质量评估和适应密集纵向或个体中心设计的趋势。条件广义系数原则上可提供人员特异性曲线(需注意源自群体模型随机效应具收缩性与遍历性假定限制),可用于筛查持续不可靠的测量个体或条件。局限性包括模型复杂度增加需更大样本与收敛诊断、未扩展随机效应方差异质性(可作为未来方向)。总之,该框架在不抛弃G-theory基础的前提下使测量精度随任务、人员或时间灵活变动,桥接经典心理测量与现代统计建模,为心理学中更高效、自适应与公平的测量系统设计提供原则性路径。
—发表于《British Journal of Mathematical and Statistical Psychology》