跳转到内容

动态结构方程

来自VeritasWiki 真理百科

动态结构方程(又称动态结构方程模型)是把结构方程模型与时间序列分析结合,用于分析密集纵向数据(如每日多次、连续多日的经验取样与日记法数据)的建模框架。它由穆森等人提出,把自回归效应、交叉滞后效应、随机效应与潜变量结构整合在一个贝叶斯估计框架中,使研究者能在个体层面刻画心理过程的动态——"一个人此刻的状态如何受上一刻影响""此刻的X如何影响下一刻的Y",并允许这些动态参数在个体间随机变化。动态结构方程回答的是"心理过程如何在短时间内展开与波动"的微观动态问题。

基本思想

动态结构方程的关键创新有三。其一,面向密集纵向数据:传统结构方程模型为少量波次(3–10次)设计,动态结构方程面向每个人有几十到几百个观测点的数据——它把每个个体的数据视为一条时间序列,在个体内估计动态参数。其二,个体层面的动态建模:对每个个体估计自回归(当前状态受上一时刻影响的程度)与交叉滞后(X上一时刻对Y当前时刻的影响),这些参数可在个体间随机变化(随机效应)——既刻画群体的平均动态,也刻画个体动态差异。其三,贝叶斯估计:动态结构方程用贝叶斯方法估计,能处理复杂模型、小样本(个体层面观测多但个体数可能不多)与随机效应——王等2026年发表于《结构方程模型》的研究比较了用密集纵向数据做动态建模的单步法与两步法,为该框架的实现提供了实务指导。[1]

模型的典型构成包括:自回归路径(AR,当前观测对前一观测的回归,刻画惯性)、交叉滞后路径(X_{t-1}→Y_t,刻画时序影响)、同期相关、趋势项(去除长期趋势——肖等2025年发表于《结构方程模型》的研究讨论了密集纵向成对数据的去趋势处理)、以及潜变量测量模型(若构念由多个指标测量)。随机效应允许这些参数在个体间变化,并可被个体层面的协变量预测。

与相邻方法的区别

动态结构方程需与三个方法区分。其一,交叉滞后模型与交叉滞后面板模型(见交叉滞后模型、交叉滞后面板模型):这些方法为少量波次设计,假设参数在个体间固定、时间间隔较长;动态结构方程为密集数据设计,参数可个体化,时间间隔短(如每小时、每天)——前者描述"月—年"尺度的关系,后者描述"分钟—日"尺度的动态。其二,潜增长模型:刻画长期趋势(截距与斜率),动态结构方程刻画短期波动与惯性——两者可结合(增长成分+动态成分)。其三,时间序列分析(如自回归模型):传统时间序列针对单一个体,动态结构方程把个体内时间序列与个体间随机效应、潜变量结构整合——是多层次的时间序列建模。

应用领域

动态结构方程适用于研究心理过程的微观动态。情绪研究:用经验取样数据刻画情绪的惯性、波动性、情绪间的时序影响——如"焦虑的升高是否领先于抑郁情绪的升高"。临床心理学:刻画症状的动态模式(如强迫行为的触发—缓解循环),识别个体的"动态指纹"。社会与人际:成对数据(夫妻、亲子)的互动动态——肖等2025年的去趋势研究即针对成对密集数据。[2]中介与机制:方等2024年发表于《结构方程模型》的研究展示了用动态结构方程对密集纵向数据做中介分析。[3]发展研究:刻画儿童或青少年在日常生活中的情绪调节过程。这些应用的共同点是:把心理过程视为随时间展开的动态系统,而非静态特质的测量。

估计与实践

动态结构方程的估计以贝叶斯方法为主,原因有三:模型含大量随机效应,极大似然估计困难;个体层面观测多但个体数可能有限,贝叶斯方法对小样本更稳健;复杂的时间序列结构(如自回归残差相关)在贝叶斯框架中更易处理。早川等2025年发表于《结构方程模型》的研究比较了不同估计量在动态结构方程中的表现,为估计方法选择提供实证依据。[4]实践中的关键决策包括:时间间隔的处理(不等间隔的建模)、趋势项的纳入与去趋势、自回归阶数的确定、随机效应的设定、先验分布的选择与收敛诊断(如潜在均值检验)。数据要求方面:需要每个个体有足够多的观测点(通常30以上),个体数也影响随机效应估计的稳定性。

中国语境

中文语境的动态结构方程应用正在起步。随着经验取样法与日记法在国内的推广,密集纵向数据逐步积累,研究者开始采用动态结构方程刻画情绪、压力、人际互动的微观动态。方法学层面,国内对该方法的介绍相对有限,贝叶斯估计与密集数据处理的技术门槛较高,应用主要集中在少数方法学导向的研究团队。挑战有三:其一,数据收集成本——经验取样需要被试在数周内多次报告,依从性与数据质量是难题;其二,技术门槛——贝叶斯估计、模型设定与收敛诊断需要专门训练;其三,本土应用案例不足——西方研究中发现的动态模式(如情绪惯性)能否在中国样本中复制,需要更多验证。

数据准备与质量

动态结构方程对数据有特殊要求,数据准备直接决定分析质量。其一,观测次数:每个个体需要足够多的观测点(通常30次以上才能稳定估计自回归参数),个体数也越多越好——研究设计阶段就应据此确定取样规模与时长。其二,时间间隔:等间隔数据最易建模;不等间隔(如被试随机填写)需要在模型中处理时间间隔差异,否则自回归参数会被偏估。其三,趋势处理:若变量存在系统性的上升或下降趋势(如干预期间症状逐步缓解),不去除趋势会把趋势误当作自回归惯性——肖等2025年的去趋势研究针对成对数据提供了处理方案。其四,缺失与依从性:经验取样数据常有随机缺失(见遗漏作答),贝叶斯框架可在模型中处理缺失,但依从性差(如集中补填)会破坏时间结构。其五,收敛诊断:贝叶斯估计须检查收敛(如潜在均值检验、轨迹图)与先验敏感性——报告这些内容是可信分析的标志。忽视数据准备的动态建模会产生看似精细实则不可靠的"动态参数"。

争议

动态结构方程有四个争议。其一,数据密度的收益:密集数据提供微观动态信息,但收集成本高、被试负担重——收益是否值得投入,因研究问题而异。其二,模型复杂度:自回归阶数、随机效应、趋势项等设定选择众多,不同设定可能给出不同动态结论——模型选择的透明度与预注册是关键。其三,贝叶斯估计的可及性:贝叶斯方法虽有优势,但对许多研究者是技术门槛,且先验选择可能影响结果——方法普及与规范报告是推广前提。其四,个体内动态的因果解释:动态结构方程的交叉滞后路径刻画的是时间上的先后,但仍不等于因果——密集数据中的"领先"关系是否反映因果机制,需要实验设计配合。

参见

参考资料

  1. ↑ Dynamic Modeling with Intensive Longitudinal Data: One-Step and Two-Step DSEM Approaches,Wang等,Structural Equation Modeling: A Multidisciplinary Journal,2026年。
  2. ↑ Detrending for Intensive Longitudinal Dyadic Data Analysis Using DSEM,Xiao等,Structural Equation Modeling: A Multidisciplinary Journal,2025年。
  3. ↑ Mediation Analyses of Intensive Longitudinal Data with Dynamic Structural Equation Modeling,Fang等,Structural Equation Modeling: A Multidisciplinary Journal,2024年。
  4. ↑ A Comparison of Estimators for Dynamic Structural Equation Models with Intensive Longitudinal Data,Hayakawa等,Structural Equation Modeling: A Multidisciplinary Journal,2025年。