《Methods in Psychology》：The use of multilevel latent growth modeling analyzing clustered data within individuals: An applied study comparing aggregated and multilevel approaches and a simulation study of sample size
编辑推荐：
本文关注通过结构方程建模（structural equation modeling, SEM）的多级增长模型（multilevel growth models），涉及纵向测量方差（longitudinal measurement variance）和双变量增长
本文关注通过结构方程建模（structural equation modeling, SEM）的多级增长模型（multilevel growth models），涉及纵向测量方差（longitudinal measurement variance）和双变量增长过程（bivariate growth processes）。首先，研究人员介绍并展示了一个具有测量不变性（measurement invariance, MI）的双变量多级增长结构方程模型的应用，包括模型输出和拟合信息，以及对竞争参数化的考量。其次，研究人员进行了一项小规模模拟，研究样本量如何影响参数估计的准确性，这对于有兴趣使用和进一步开发这些模型的应用和方法论研究将有所帮助。正如预期，随着样本量增加，参数和标准误估计变得更加精确，尽管在样本量条件下平均估计是准确的。最后讨论了针对应用用户、方法论研究人员以及这些模型的一般未来研究的建议。
本文是关于多级潜在增长模型（multilevel latent growth modeling）在分析个体内聚类数据中的应用研究，并辅以样本量模拟，发表在《Methods in Psychology》。研究背景方面，社会科学中经常遇到时间嵌套于个体、个体嵌套于更高层次（如学校、组织）的层级数据结构。传统多级建模（multilevel modeling, MLM）和结构方程建模（structural equation modeling, SEM）虽已整合形成多级结构方程建模（multilevel SEM, MSEM），但针对多变量、多级潜在增长轨迹的精细建模仍面临挑战，如参数估计不稳、非正定解等。特别地，当个体同时追求多个目标（如学业和健康）时，目标层面的轨迹嵌套于个体内，传统聚合方法可能掩盖或扭曲真实效应。因此，研究人员旨在展示一种双变量多级潜在增长模型（bivariate multilevel latent growth model），该模型能同时分解个体层面和目标层面的增长轨迹，并评估纵向测量不变性（measurement invariance, MI）的必要性，同时通过小规模模拟考察样本量对参数估计精度的影响。
### 主要关键技术方法
研究人员采用多级结构方程建模（MSEM）框架，构建了双变量并行加工潜在增长曲线模型（bivariate parallel processing latent growth curve model）。关键技术环节包括：（1）建立纵向测量不变性模型，依次检验配置、弱和强不变性（configural/weak/strong invariance）；（2）比较单变量潜在增长模型（曲线因子模型，curve-of-factors model）与聚合模型（aggregated model）的差异；（3）针对双变量模型中的非正定方差协方差矩阵，采用共同斜率（common slope）参数化方案。样本数据来自美国14所大学的2426名大学生（最终分析N=870名参与者、1996个目标），采用经典目标唤起范式（goal-elicitation paradigm）收集四个时间点的数据，评估耐心（patience）和勇气（courage）两种美德。
### 研究结果
**3.1 测量不变性**
通过逐步施加约束，研究人员发现耐心和勇气两个建构均支持强测量不变性（strong invariance），即因子载荷和项目截距在不同时间点和层级间等同，满足潜在均值比较的最低要求。
**3.2 单变量潜在增长曲线模型**
无条件模型与条件线性模型比较显示，耐心和勇气的潜在均值变化均为线性轨迹。与聚合模型对比发现：多级模型能检验目标层面（within-level）的协变量效应，且捕获了聚合模型无法估计的目标层面斜率-截距协方差；部分参数（如耐心截距方差）在多级模型与聚合模型中存在显著差异（例如，多级模型估计的截距-斜率协方差为1.39，而聚合模型为-5.70），表明忽略嵌套结构可能导致错误推断。
**3.3 双变量并行加工潜在增长曲线模型**
由于遇到非正定解，研究人员将目标层面的耐心和勇气斜率合并为共同斜率（common slope）以稳定估计，而个体层面的斜率仍分别估计。模型拟合可接受（CFI=0.917, RMSEA=0.031）。截距定位在时间1 vs.时间4时，斜率-截距协方差模式发生翻转：以时间1为截距时，目标层面共同斜率与耐心初始水平显著负相关；以时间4为截距时，个体层面耐心斜率与终点水平显著正相关，而目标层面无显著关系。这揭示了截距位置选择对结果解释的重要影响。
**4. 模拟研究（Study 2）**
三个样本量条件（N=900, 2100, 3000，对应J=300,700,1000个个体，每个个体3个目标）下，参数估计总体上准确，但小样本（N=900）时个体层面斜率-截距协方差被高估，且变异性更大；标准误估计的偏差均小于±6%，稳健最大似然估计（robust maximum likelihood estimation）表现良好。随着样本量增大，估计精度提升，但中等（N=2100）与大样本（N=3000）之间差异不大。
### 总结与讨论
研究人员指出，聚合模型忽略层级结构会引入参数偏差和解释误区，因此强烈建议应用研究者采用多级潜在增长模型而非简单聚合。样本量方面，尽管J>300的常见经验法则（如Preacher等2011年的建议）提供了参考，但本研究显示小样本下部分参数（如斜率-截距协方差）的偏差和变异性仍较高，需结合模型复杂性进行模拟研究（类似功效分析）来确定适当样本量。局限性包括：仅检验线性轨迹、未处理缺失数据（因收敛问题仅用完整观测）、模拟条件有限。方法论上，未来研究应探索多级测量不变性的敏感性指标、非正态或有序变量的表现、不同缺失模式的影响等。结论强调，在存在嵌套数据时，应优先采用多级曲线因子模型（multilevel curve-of-factors model）而非聚合评分，且在足够样本量及分布假设满足的条件下，该模型能更准确地揭示个体内和个体间的增长轨迹及相互关系。
