《Multivariate Behavioral Research》：Modeling Between-Group Differences in Dynamics of Psychological Constructs in the Presence of Measurement Non-Invariance: A Stepwise Approach
编辑推荐：
专业术语翻译的摘要
研究人员分析密集纵向数据（Intensive Longitudinal Data, ILD）时常旨在检测心理构念（如积极情感和消极情感）动态过程中的组间差异。这些构念通常是潜在的（不可直接观测）。为了有效比较不同个体群体在动态过程中的差异，
专业术语翻译的摘要
研究人员分析密集纵向数据（Intensive Longitudinal Data, ILD）时常旨在检测心理构念（如积极情感和消极情感）动态过程中的组间差异。这些构念通常是潜在的（不可直接观测）。为了有效比较不同个体群体在动态过程中的差异，潜在构念必须在所有个体中被等同地测量。若非如此——即某些条目的测量不变性（Measurement Invariance）被违反——则必须考虑这种部分非不变性（Partial Non-Invariance）。否则，针对特定群体的动态过程估计可能会产生偏差。为帮助研究人员在存在部分测量非不变性的情况下仍能获得无偏的群体特异性估计，研究人员提出了一种名为三步法潜在向量自回归（Three-Step Latent Vector Autoregression, 3S-LVAR）的新方法的扩展，该方法将测量模型（Measurement Model, MM）和结构模型（Structural Model, SM）的估计分离开来。研究人员将该方法扩展到多组建模（Multi-Group Modeling），其中结构参数（如回归系数）的差异通过允许这些参数在不同个体群体间变化来捕捉。这些群体内部和外部的测量异质性则通过群体特异性或个人特异性的MM参数来刻画。通过两项模拟研究，研究人员证明该方法能在存在测量异质性的情况下，正确估计动态过程。该方法还通过一个实证案例进行了进一步说明。
论文解读文章
研究背景与问题
在心理学研究中，研究人员常比较不同群体（如临床抑郁症患者与健康个体、不同年龄组或性别组）在心理构念（如积极情感和消极情感）的动态过程（Dynamic Processes）上的差异。这些动态过程描述了情绪状态如何随时间波动并相互影响，通常使用向量自回归（Vector Autoregressive, VAR）模型进行分析。然而，这些心理构念是潜在的（Latent），无法直接观测，需要通过多个条目间接测量。这就引出了测量模型（Measurement Model, MM）的概念，它描述了观察条目与潜在变量之间的关系。为了有效比较不同群体在动态过程（属于结构模型，Structural Model, SM）上的差异，至少需要满足部分测量不变性（Partial Measurement Invariance），即关键的MM参数（如因子载荷和截距）应在不同群体间相等。若忽视测量非不变性（Measurement Non-Invariance），即错误地将本应不同的参数约束为相等，会导致群体特异性动态过程估计产生偏差，从而混淆群体间在动态过程和测量方式上的真实差异。
研究目标与方法
为解决上述问题，研究人员提出并评估了一种名为多组三步法潜在向量自回归（Multi-Group Three-Step Latent Vector Autoregression, MG-3S-LVAR）的新方法。该方法旨在提供一种直接且易于管理的方式，使研究人员能在存在（部分）测量非不变性的情况下，获得无偏的群体特异性动态关系估计。其核心思想是将MM和SM的估计分步进行。
关键技术方法
本研究采用的主要技术方法包括：
- 1.
三步法潜在向量自回归（3S-LVAR）框架：这是一种分步估计方法。第一步，使用多组验证性因子分析（Multi-Group Confirmatory Factor Analysis, MG-CFA）分别估计各组的MM参数。第二步，基于第一步的估计结果计算回归因子得分（Factor Scores）及其测量参数（如因子载荷和残差方差），以量化因子得分的不确定性。第三步，将这些因子得分作为潜在变量的单一指标，并在状态空间建模（State Space Modeling）框架下（使用R包OpenMx）估计SM参数，同时固定因子得分的载荷和残差方差以校正测量误差。
- 2.
多组建模（Multi-Group Modeling）：该方法允许SM参数（如自回归和交叉回归系数）在不同已知群体间自由变化，而同一群体内个体间的参数被约束为相等。
- 3.
灵活的分组策略：在第一步的MG-CFA中，分组既可以依据SM的群体（得到群体特异性MM估计），也可以将每个个体视为一个独立的组（得到个人特异性MM估计），后者被称为“个人化过滤法”（Idiographic Filter Approach）。
- 4.
模拟研究：通过两项模拟研究评估方法性能。研究一考察了当组间测量非不变性被（a）通过组特异性MM估计考虑，或（b）被忽略时，MG-3S-LVAR在恢复SM参数方面的表现。研究二则探究了当组内存在测量异质性时，使用个人特异性MM估计的可行性（收敛性和可接受解的比例），并与使用组特异性MM估计的效果进行比较。
研究结果
模拟研究一：组间测量非不变性
该研究设置了两组被试，其MM参数（因子载荷和截距）存在差异。结果表明，当在第一步MG-CFA中正确指定了组间非不变的MM参数（即考虑了测量非不变性）时，MG-3S-LVAR能够准确恢复各组的结构参数（如自回归和交叉回归系数）。相反，如果忽略了测量非不变性（即错误地将所有MM参数约束为跨组相等），则会导致SM参数的估计出现严重偏差。这证实了在比较组间动态过程前，正确处理测量非不变性的必要性。
模拟研究二：组内测量异质性
该研究在每组内部引入了额外的测量异质性（例如，组内不同个体的因子载荷不同）。结果显示，当使用个人特异性MM估计（即每个个体作为一个独立组进行CFA）时，虽然能更精确地反映个体间的测量差异，但这种方法对数据要求较高，在观测次数较少时容易出现收敛问题和不可接受的解（如Heywood案例）。相比之下，使用组特异性MM估计（即忽略组内测量异质性）虽然在理论上不够完美，但在大多数条件下仍能较为稳健地恢复SM参数，尤其是在观测次数充足的情况下。这表明，在实际应用中，研究者需要权衡个人特异性模型的精确性与组特异性模型的稳定性。
实证应用
研究人员使用来自RISE研究的真实数据（包含141名心理学学生，随机分配到干预组和对照组，通过经验抽样法收集了15天的积极和消极情感数据）对方法进行了演示。首先，通过MG-CFA检验了干预组和对照组之间的测量不变性，发现部分条目的因子载荷和截距存在组间差异。随后，在第三步的SM估计中，研究人员考虑了这些测量非不变性，并比较了两组在情感动态上的差异（例如，自回归效应和交叉滞后效应的组间差异）。
讨论与结论
讨论部分总结
研究人员指出，MG-3S-LVAR方法为在存在测量非不变性的情况下比较组间动态过程提供了一种实用的工具。该方法的主要优势在于：（1）允许研究人员在估计SM之前仔细检查和调整MM；（2）减少同时估计的参数数量，降低计算负担并提高收敛性；（3）提供了灵活的分组选项以适应不同层次的测量异质性。然而，该方法也存在一些局限性。首先，它假设同一群体内的个体共享相同的动态关系，这一假设可能需要通过进一步的检验（如群体水平或个体水平的异质性检验）来验证。其次，个人特异性MM估计可能面临过拟合和数据需求高的问题。此外，该方法目前假定MM和SM的参数随时间不变、动态过程平稳且测量时间点等距。未来的研究方向可以包括放宽这些假设，例如允许时变参数或处理不等间距的数据。
研究结论
研究人员得出结论，所提出的MG-3S-LVAR方法是一种有效的工具，能够在存在（部分）测量非不变性的情况下，帮助研究人员获得无偏的群体特异性动态过程估计。通过分离MM和SM的估计，该方法简化了复杂模型的构建过程，并提高了估计的稳健性。模拟研究和实证应用均证明了其在正确设定MM条件下的良好性能。因此，该方法对于从事密集纵向数据分析并关注组间心理动态差异的研究人员具有重要的方法论价值。
