混合增长模型
混合增长模型(又称增长混合模型)是把潜增长曲线模型与潜类别分析整合的纵向建模方法,用于在总体中识别具有不同变化轨迹的潜在亚组,同时允许每个类别内部存在个体差异。它回答"总体中是否存在若干不同的发展轨迹亚群,各亚群的典型轨迹如何"的问题。混合增长模型与增长混合模型(见增长混合模型)是同一英文术语的两个中文译名,本条目侧重模型原理、与相邻方法的比较及方法学争议,增长混合模型条目侧重应用流程与报告规范,两者互为补充。
模型原理
混合增长模型的数学结构是潜增长曲线模型与有限混合模型的结合。潜增长曲线模型层面:每个个体的重复测量数据由截距与斜率等增长参数刻画,参数在个体间连续变化(均值与方差)。有限混合层面:总体由若干潜在类别构成,每个类别有自己的增长参数分布(均值与方差)。与潜类别增长分析(见潜类别增长分析)的关键区别正在于:潜类别增长分析约束类内增长参数方差为零(类内所有人共享一条轨迹),混合增长模型允许类内方差自由估计(类内仍有个体差异)——这使后者更灵活、更符合真实世界的异质性,但也带来识别困难与虚假类别风险。
模型还包括类别概率(各亚群在总体中的比例)与个体归属的后验概率。协变量可预测类别归属(如性别、干预组别影响属于哪条轨迹),也可预测增长参数;结果变量可作为轨迹类别的后果。穆森2000年发表于《酒精中毒:临床与实验研究》的论文是混合增长模型的奠基文献之一,系统阐述了如何整合个体中心与变量中心的分析——把潜轨迹类别纳入增长混合建模。[1]穆森2006年进一步讨论了混合增长建模的潜力。[2]
与相邻方法的比较
混合增长模型与三个方法的关系需澄清。其一,潜类别增长分析:后者是前者的受限特例(类内方差为零)——若类内个体差异小,两者结论相近;若差异大,潜类别增长分析会提取出更多"虚假类别"来补偿被约束的方差。其二,潜增长曲线模型(变量中心方法):假设总体是同质的一条平均轨迹,个体差异是连续的随机效应;混合增长模型则假设存在离散的轨迹亚群——从"一条带方差的轨迹"到"多条轨迹",是从变量中心到个体中心的跨越。其三,潜转变分析(见潜转变分析):混合增长模型分类的是连续变化的轨迹形态,潜转变分析分类的是离散状态及转换——前者刻画"沿轨迹走",后者刻画"在状态间跳"。荣格等2007年的导论对潜类别增长分析与混合增长模型做了清晰比较。[3]柏林等2013年的第二部分导论提供了纵向混合建模的系统介绍。[4]
关键方法学问题
混合增长模型的方法学挑战集中在四点。类别数确定:不同拟合指标(贝叶斯信息准则、调整贝叶斯信息准则、熵、似然比检验)常给出不一致建议——金等2017年发表于《心理学前沿》的研究考察了在类别间存在测量非等值的情况下,混合增长模型与二阶混合增长模型的类别枚举与参数恢复表现,提示类别数选择的复杂性。[5]虚假类别:即使数据来自单一同质总体(无真实亚群),混合模型也可能提取出多个类别——奈恩等2014年基于群体轨迹建模的综述讨论了建模中发现亚群的问题,方法论研究者对"虚假潜类别"保持警惕。[6]类别间测量等值性:若类别间测量工具不等值(见测量等值性),轨迹差异可能是测量假象——金等2017年的研究正针对这一问题。局部最优与估计不稳定:混合模型的似然面复杂,估计易陷入局部最优——需多组随机起始值,并报告估计稳定性。
应用
混合增长模型广泛用于识别发展轨迹的异质性。心理健康:识别抑郁、焦虑症状的不同变化轨迹(如"持续低""缓慢上升""先升后降"),预测慢性化风险。行为问题:识别攻击、违纪行为的发展轨迹——这是轨迹建模的经典应用领域。物质使用与成瘾:识别酒精、药物使用的轨迹类型。教育与认知:识别学业成绩、认知能力的发展轨迹——布龙迪诺等2020年发表于《心理学前沿》的研究用潜在增长模型探索积极情感随时间的变化与情绪调节策略的关系。[7]这些应用的价值在于:把"平均趋势"细化为"亚群轨迹",为精准干预确定目标人群。
中国语境
中文语境的混合增长模型应用近年增长。本土研究用该法识别青少年问题行为、抑郁症状、学业发展、网络成瘾等的轨迹亚群。方法学层面,国内期刊引入增长混合模型与轨迹分析的综述与教程,推动方法应用——戴等2015年发表于《心理科学进展》的因子混合模型综述涉及潜类别与因子分析的整合,为理解混合建模提供了本土视角。挑战有三:其一,虚假类别风险的意识不足——部分研究未经严格检验就宣称发现"若干轨迹类型";其二,类别间测量等值性检验缺失——轨迹差异可能是测量假象;其三,报告规范性——类别数选择的决策过程、估计稳定性、分类质量指标常报告不全。
与变量中心方法的整合
混合增长模型虽属个体中心方法,但其最佳应用常与变量中心方法整合。变量中心的潜增长曲线模型把总体视为一条带随机效应的平均轨迹——估计平均起点、平均变化率及个体差异的连续分布;个体中心的混合增长模型则假设这些连续差异背后存在离散的亚群轨迹。两者并非互斥:研究者可先拟合单类别潜增长模型,观察个体差异的分布形态,再检验加入潜类别后模型是否显著改善——若改善有限,说明连续分布足以描述异质性,无需分型;若改善明显,则支持离散亚群的存在。奈恩等2014年的基于群体轨迹建模综述、荣格等2007年的导论都强调这种比较的价值。整合的实务意义在于:避免"为分型而分型"——混合模型总能给出类别解,但与单类别模型的比较能判断分型是否必要。当类别解不稳定、外部效度弱、且不比单类别模型明显更好时,研究者应倾向于简约的变量中心模型。这种审慎的整合态度,是混合增长模型走向成熟应用的标志。
争议
混合增长模型有四个核心争议。其一,类别的真实性:混合模型总能提取出类别,即使总体同质——发现的轨迹亚群是真实存在还是统计假象,是方法最根本的争议。其二,潜类别增长分析与混合增长模型的选择:约束类内方差为零(简约但可能虚假)还是自由估计(灵活但不稳定)——两派的取舍无定论,实践中常需比较两者结果。其三,类别数的确定性:统计指标与可解释性的权衡缺乏共识——不同研究者可能得出不同类别数。其四,轨迹分型的解释:类别是对连续异质性的切分还是真实类型——"类型vs维度"的争论在轨迹建模中尤为突出,因为轨迹的连续性使离散切分显得人为。
参见
参考资料
- ↑ Integrating Person‐Centered and Variable‐Centered Analyses: Growth Mixture Modeling With Latent Trajectory Classes,Muthén等,Alcoholism: Clinical and Experimental Research,2000年。
- ↑ The potential of growth mixture modelling,Muthén,Infant and Child Development,2006年。
- ↑ An Introduction to Latent Class Growth Analysis and Growth Mixture Modeling,Jung等,Social and Personality Psychology Compass,2007年。
- ↑ An Introduction to Latent Variable Mixture Modeling (Part 2): Longitudinal Latent Class Growth Analysis and Growth Mixture Models,Berlin等,Journal of Pediatric Psychology,2013年。
- ↑ Class Enumeration and Parameter Recovery of Growth Mixture Modeling and Second-Order Growth Mixture Modeling in the Presence of Measurement Noninvariance between Latent Classes,Kim等,Frontiers in Psychology,2017年。
- ↑ Group-Based Trajectory Modeling in Clinical Research,Nagin等,Annual Review of Clinical Psychology,2010年。
- ↑ Positive Affect Over Time and Emotion Regulation Strategies: Exploring Trajectories With Latent Grow,Brondino等,Frontiers in Psychology,2020年。