潜剖面分析
潜剖面分析(又称潜在剖面分析)是一种以个体为中心的统计方法,依据被试在一组连续变量上的作答模式,把异质总体划分为若干个潜在的、互斥的亚组(剖面),使组内个体在作答模式上相似、组间差异明显。与以变量为中心的因子分析(关注变量间的相关结构)不同,潜剖面分析关注"人"的分类——回答"存在哪些不同类型的个体"的问题。它广泛应用于人格、动机、心理健康与教育研究中,用于识别亚群体、揭示隐藏的异质性。
基本思想
潜剖面分析假设总体由若干个未观察到的(潜在的)亚组构成,每个亚组在指标变量上有特定的均值与方差模式;个体属于哪个亚组未知的,需从数据中估计。其数学模型是有限混合模型:总体的分布是各亚组分布的加权混合,每个个体属于各剖面的概率由多项逻辑模型给出,给定剖面归属后,其指标得分服从该剖面的多元正态分布(允许均值不同、方差—协方差结构在不同设定下可相等或自由)。
潜剖面分析与潜类别分析(见潜类别模型)同属潜变量混合模型家族,区别在于指标变量类型:潜剖面分析处理连续变量,潜类别分析处理分类变量(二分、名义、有序)。两者逻辑一致,只是分布假设不同。因子混合模型则把因子分析与潜类别分析整合,允许类别内存在连续因子变异——陈等2015年发表于《心理科学进展》的综述介绍了这一整合框架。[1]
分析步骤
潜剖面分析的步骤包括以下几步。其一,指标选择:选取理论上相关的连续变量作为分类指标——指标的选择决定剖面的含义,须有理论依据。其二,模型估计:依次估计1、2、3……个剖面的模型,用极大似然法估计参数。其三,剖面数目确定:比较不同剖面数模型的拟合指标(贝叶斯信息准则、赤池信息准则、熵、调整似然比检验等)——没有单一金标准,需综合统计指标、可解释性与简约性。其四,剖面命名:根据各剖面在指标上的均值模式,赋予有意义的标签(如"高自控—高投入型""低自控—低投入型")——命名须忠实于数据。其五,剖面验证:检验剖面的信度(如分类准确性)、效度(与外部变量的关系是否符合理论)、稳定性(在不同样本中能否复制)。其六,后续分析:把剖面归属作为分类变量,比较各剖面在结果变量上的差异,或作为预测变量/中介变量纳入模型。
柏林等2013年发表于《儿童心理学杂志》的潜变量混合模型导论,对潜类别与潜剖面分析的概念、模型与报告规范做了系统介绍,是入门的重要文献。[2]
应用领域
潜剖面分析在多个领域成为识别异质性的标准工具。人格心理学:识别人格特质的组合类型(如"适应型""过度控制型""脆弱型")——超越单一维度的类型学。动机与学习:识别学习动机、自我调节策略的组合模式——希肯多夫等2018年发表于《学习与个体差异》的研究系统比较了潜类别、潜剖面与潜转变分析在刻画学习个体差异中的应用。[3]心理健康:识别症状组合的亚型(如抑郁的不同症状组合模式)、风险行为的共现模式——阿特罗斯科2021年的研究用潜剖面分析识别不同样本中成瘾行为的亚群体及其与性别的关系。[4]认知研究:康特等2023年发表于《智力杂志》的研究用潜剖面分析从个体中心视角考察认知能力维度的组合模式。[5]发展研究:识别发展轨迹的类型(结合潜转变分析刻画随时间的剖面转换)。
中国语境
中文语境的潜剖面分析应用近年快速增长。本土研究广泛使用该法识别学业倦怠的子类型、心理健康的风险亚群、人格的类型结构、留守儿童的适应模式等——为干预的精准化提供依据(如针对特定剖面设计干预方案)。方法学层面,国内心理学期刊陆续刊出潜剖面分析的介绍与教程,推动方法的规范化应用;陈等2015年的因子混合模型综述是本土方法学工作的代表。[6]挑战有三:其一,剖面数目的确定常依赖研究者判断,不同指标可能给出不同答案,报告的透明度不足;其二,剖面的可复制性——许多研究只报告单一样本的剖面结构,缺乏跨样本验证;其三,把剖面差异过度解释为人格"类型",忽视剖面可能是连续分布的人为切分——类型化的诱惑需要警惕。
报告规范
规范的潜剖面分析报告应包含若干关键信息,以便读者评估结论的可靠性。其一,指标变量的选择依据——为何选取这些变量、它们如何代表所研究的构念。其二,模型选择过程——依次估计的各剖面数模型的拟合指标(贝叶斯信息准则、熵、似然比检验等)应完整呈现,而非只报告最终选定的模型。其三,分类质量——各剖面的归属概率平均值、分类准确性指标,反映剖面的清晰度。其四,剖面规模的合理性——若某剖面只占极小比例(如不足百分之五),其稳定性可疑,需审慎解释。其五,剖面的外部效度——剖面与理论相关的外部变量(人口学变量、结果变量)的关系是否与预期一致,是剖面有意义的关键证据。其六,可复制性——在可能的情况下,用独立样本或分半样本验证剖面结构。这些规范正在成为领域共识——布雷等2018年的评述与希肯多夫等2018年的比较研究都强调了报告的透明度与方法的审慎使用。
争议
潜剖面分析有四个争议。其一,剖面数目的确定性:信息准则、似然比检验与熵常给出不一致的建议——最终选择多少剖面,统计证据与可解释性如何权衡,缺乏公认规则。其二,类型与维度的对立:潜剖面分析假设存在离散的亚组,但许多心理特质可能是连续分布的——人为切分出的剖面是否对应真实的"类型",是根本的构念争议。其三,局部独立性与分布假设:模型假设给定剖面后指标间独立(或按设定的协方差结构)、服从正态分布——假设违反时剖面结构可能失真,而诊断这些假设的实务常被忽视。其四,可复制性:剖面结构对样本构成敏感,不同样本可能得到不同剖面——发表的研究中阴性结果(未找到清晰剖面)偏少,存在选择报告的可能。
参见
参考资料
- ↑ Factor Mixture Model: An Integration of Latent Class Analysis and Factor Analysis,CHEN等,Advances in Psychological Science,2015年。
- ↑ An Introduction to Latent Variable Mixture Modeling (Part 1): Overview and Cross-Sectional Latent Class and Latent Profile Analyses,Berlin等,Journal of Pediatric Psychology,2013年。
- ↑ Informative tools for characterizing individual differences in learning: Latent class, latent profile, and latent transition analysis,Hickendorff等,Learning and Individual Differences,2018年。
- ↑ Subpopulations of Addictive Behaviors in Different Sample Types and Their Relationships with Gender,Atroszko等,International Journal of Environmental Research and Public Health,2021年。
- ↑ Person-Centered Study of Cognitive Ability Dimensions Using Latent Profile Analysis,Conte等,Journal of Intelligence,2023年。
- ↑ Factor Mixture Model: An Integration of Latent Class Analysis and Factor Analysis,CHEN等,Advances in Psychological Science,2015年。