《Multivariate Behavioral Research》：The Problem of Temporal Misalignment in Longitudinal Causal Research
编辑推荐：
心理学及相关学科的纵向研究的一个共同目标是研究随时间变化的因果效应。在这一背景下，一个常被忽视的假设是时间对齐（temporal alignment），即纵向过程运行的时间尺度、数据采集的时间尺度与测量所涉及的时间框架三者相互匹配。研究人员展示了多种情境，分别
心理学及相关学科的纵向研究的一个共同目标是研究随时间变化的因果效应。在这一背景下，一个常被忽视的假设是时间对齐（temporal alignment），即纵向过程运行的时间尺度、数据采集的时间尺度与测量所涉及的时间框架三者相互匹配。研究人员展示了多种情境，分别代表密集型纵向数据（intensive longitudinal data, ILD）和面板数据（panel data）的分析，在这些情境中，由于时间聚合（time aggregation，即在多个测量场合上对得分取平均）和/或系统欠采样（systematic undersampling，即测量间隔相对于纵向过程而言过长）而导致该假设被违反。模拟结果证明，即使在数据中不存在真实效应的情况下，使用多种建模方法对滞后0效应（lag-0 effect）和滞后1效应（lag-1 effect）的估计也可能出现较大偏倚。研究人员讨论了这些结果的意义，并简要考虑了未来解决该问题的方法学研究方向。
**1. 研究背景与问题**
在心理学及相关学科中，纵向研究旨在考察变量随时间变化的因果效应。这类研究通常隐含依赖一个易被忽视的假设：时间对齐（temporal alignment），即纵向过程运行的时间尺度、数据收集的时间尺度与测量工具所指向的时间框架必须相互匹配。当测量间隔相对于过程节奏过长，即系统欠采样（systematic undersampling），或测量值是多个时点上的平均，即时间聚合（time aggregation）时，时间对齐即被违反。以往文献虽在连续时间建模、计量经济学、理论建构、研究设计和交叉滞后面板分析中触及过该问题，但尚未系统评估时间错位对常用滞后0效应（lag-0 effect）和滞后1效应（lag-1 effect）估计的影响。为此，研究人员通过模拟研究回答：在不同研究设计、数据形态和建模方法下，时间错位会在多大程度上扭曲因果效应估计。
**2. 研究设计与核心方法**
研究人员使用蒙特卡罗模拟，重复次数为R=1000。数据生成机制以连续结局Y
t的一阶自回归（AR(1)）过程为基础，暴露X
t为二元变量，并对Y
t产生同期效应；部分情境中X
t通过logistic回归依赖既往Y和X。研究设置五个情境，系统变化暴露是否随机、是否加入时变协变量L、密集型纵向数据与面板数据，以及时间聚合水平m=1,2,3,5,10和系统欠采样水平d=1,2,3,5,10的组合。估计方法包括单变量带外生预测变量的一阶自回归模型（ARX(1)）、边际滞后1模型、多变量结构向量自回归模型（structural VAR(1), SVAR(1)）以及带滞后0效应的交叉滞后面板模型（cross-lagged panel model, CLPM）。软件涉及R、ctsem、Mplus和lavaan；面板数据情境基于LISS面板（Longitudinal Internet studies for the Social Sciences）的设计特征，样本量为N=500，每个个体5个测量波次。
**3. 主要结果**
**3.1 Scenario 1：暴露随机且仅有结局时间错位**
在暴露X外生随机、仅结局Y被欠采样和聚合的微随机试验情境中，单变量ARX(1)模型对lag-0效应的估计在所有欠采样条件下均无偏，统计功效为1，因果零假设下第一类错误（Type I error）率为5%。lag-1效应在无聚合时无偏，但随欠采样程度增加而趋于0；时间聚合使lag-1估计进一步趋近0，但未造成第一类错误膨胀。
**3.2 Scenario 2：暴露受前一时刻结局影响**
当X不再随机，而是依赖前一时刻的X和Y时，单变量ARX(1)和多变量SVAR(1)模型在时间对齐条件下均无偏。然而，在仅对Y欠采样的条件下，两种模型对lag-0效应均产生正向偏倚，第一类错误率升高，且多变量模型的偏倚和第一类错误膨胀比单变量模型更严重。lag-1效应在欠采样下被高估，但随着欠采样增加而趋近0；仅时间聚合时，lag-1估计先上升后下降，在m=10时仍存在偏倚并导致第一类错误率膨胀。
**3.3 Scenario 3：暴露与结局均存在时间错位**
当X和Y同时存在时间错位时，偏倚和第一类错误膨胀显著加剧。lag-0效应被严重高估：在m=10且d=10的条件下，单变量ARX(1)平均估计约为0.68，多变量SVAR(1)平均估计约为1.47，而真实lag-0效应为0.3；因果零假设下第一类错误率大幅上升。lag-1效应在聚合与欠采样同时存在时迅速趋近0，未出现明显的第一类错误膨胀。
**3.4 Scenario 4：加入时变混杂变量**
在数据生成和估计模型中同时加入时变协变量L后，各条件下结果与Scenario 3高度相似，但偏倚略小。两种模型在时间对齐时均能正确控制L。研究结果说明，当前数据生成机制下偏倚和第一类错误的主要驱动因素是暴露和结局自身的时间错位，而时变协变量L的时间错位影响相对较小。
**3.5 Scenario 5：面板数据情境**
在代表面板数据的五波测量设计中，时间对齐条件下CLPM能正确估计lag-0和lag-1效应。存在时间错位时，lag-0效应平均估计至少为1.34，而真实值为0.3，显示严重高估；lag-1效应因测量间隔过大而无法检出，所有拒绝率均接近期望的第一类错误率0.05。
**4. 讨论与结论**
模拟结果表明，只有暴露完全外生且自身时间对齐时，lag-0和lag-1估计才能在欠采样下保持无偏；当暴露依赖既往变量或暴露也存在时间错位时，偏倚和第一类错误膨胀会明显加剧。时间聚合本身即可造成估计偏倚，多变量模型比单变量模型受影响更大。研究人员指出，若因果结构只包含同期效应，则欠采样下通过控制上一波变量仍可能识别lag-1效应；但若存在更长间隔的独立延迟效应，未观测的中间变量会重新成为混杂因素。时间错位不仅是建模问题，更是识别问题：即使拥有无限数据，忽略测量间隔内变化的方法也无法恢复真实效应。对未来方法学方向的展望包括：采用不同时间间隔收集数据并结合连续时间建模（continuous-time modeling）、使用逆概率加权（inverse probability weighting）处理未观测中间变量、将G估计（G-estimation）与连续时间框架结合，以及使用Mesochronal Structure Learning算法恢复最细时间尺度上的因果结构。
结论：纵向因果研究中的时间错位——无论是通过欠采样、时间聚合还是两者结合——都会对单变量和多变量建模方法下lag-0和lag-1估计的有效性产生重大负面影响。唯一例外是当暴露独立于所有其他变量且自身时间对齐时，即使其他变量存在欠采样，lag-0和lag-1估计仍然无偏。然而，对于更广泛的非实验性（即观察性）纵向因果研究，结果强调在研究设计和数据分析中应明确考虑时间对齐。最后，需要在方法学上开发统计技术，以便在无法实现完全时间对齐时恢复因果效应。
