基于動態結構方程模型的密集追蹤數據分析方法發展及新趨勢

王希泉 陳飛

摘?要：近年來基于動態結構方程模型（DSEM）的密集追蹤數據研究方法在組織行為學、管理心理學、教育學等研究中運用呈上升趨勢，由于能夠比傳統的數據收集方法更加準確和有效，并較好地用來分析構念之間的因果關系，且將顯變量和隱變量都考慮在內。同時，密集追蹤數據研究方法需要跨越一段時間，因此也具有解釋現象變化過程的特點。本文主要關注如何運用Mplus軟件實現基于動態結構方程模型的密集追蹤數據，通過前人文獻，對現有的文獻進行了梳理和綜述，以有利于未來實證研究工作的開展和應用。

關鍵詞：動態結構方程模型；密集追蹤數據；Mplus

1?概述

1.1?研究現狀

隨著科技的進步，手機等移動設備的發展和使用極大方便了對數據的收集，節省了時間、人力和財力，越來越多的心理學家研究通過手機研究者可以向被試者發放問卷或者采用小程序打卡的方式對被試者一段時間的數據跟蹤，獲取被試者的數據復雜的心理過程是如何在單個個體中隨時間動態進化的。

目前管理心理學上主要采用的數據收集方法如經驗抽樣（Scollon?et?al.，2003）、動態評估（Fahrenberg?et?al.，2007）、生態瞬時評估（Smyth?&?Stone，2003）和每日日記法（Bolger?et?al.，2003），這些方法允許數據收集數據更密集、更頻繁、更自然、更具有準確性，更加能夠反映出被試者的心理動態變化。因此心理學者們在研究情緒、情感、人際行為這些容易隨著時間的變化而發生變動的對象會采用這些數據收集的方法。這種密集數據收集的研究方法提高了研究者觀察提出的研究問題、關注人內部和人間變化的能力。密集的縱向研究中心理學者們使用動態多層建模，因為它被納入Mplus中新的動態結構方程建模（DSEM）工具箱，以方便更多研究者更加方便使用。

1.2?研究目的

為了讓更多的研究者們更好地了解和使用密集追蹤研究方法和Mplus中的動態結構方程模型，本文對近年來國內外學者研究文獻中使用的密集追蹤數據研究方法進行了收集整理和歸納，給對這種數據追蹤研究方法的學者們提供參考。

1.3?研究的意義

1.3.1?理論意義

目前基于橫截面的問卷調查是社會學、心理學和管理學等學科研究中常見的數據收集方法，有很多的不足，本文研究的密集追蹤數據研究方法補足了這方面的缺點，本文對國內外關于這種研究方法的文獻進行整理述評。使得密集追蹤數據研究方法更加具體和完善。

1.3.2?實踐價值

密集追蹤數據研究方法可以幫助研究者們收集到更多、更詳細、更準確的數據，由于密集追蹤數據研究方法需要跨越一段的時間，具有解釋被試者心理或者一種社會現象的變化過程。并且在探究因果聯系有著很大的優勢、具有很好的實踐價值。

2?國內外現有研究的回顧

2.1?動態結構方程模型

DSEM適用于分析密集的縱向數據，即在多個時間點收集來自多個個體的觀察數據。DSEM也可用于任何持續時間的縱向分析和跨越時間的任何數量的觀察。動態方程模型是一般的靜態結構方程模型在時間上的擴展，作為結構方程模型的動態版本，是一種適用性更廣的模型。這種模型相對簡單一些。由于動態結構方程模型的估計需要計算機高維矩陣的計算，這對于當時估計方法的計算機實現是一個很大的挑戰，Lara?Fontanella等（2007）在文中將動態結構方程模型寫成狀態空間形式，通過卡爾曼濾波最大化似然函數得到待估計的參數矩陣，但他們并沒有給出具體的估計過程。

Wenyang?Zhang和SikYum?Le（2009）提出了一種非線性動態結構方程模型（nonlinear?dynamical?structural?equation?models），他們所提出的是一種變系數的結構方程模型，即方程中的系數是時間的函數，也沒有考慮潛變量的滯后項。Asparouhov?and?Muthén（2016）提出：我們只是添加到框架回歸變量的能力，觀察到任何的或潛在的，不僅其他變量在同一時間點，而且本身和其他變量在以前的時間點。DSEM承接了傳統MLM自上而下的思想，同時，由于它采用了貝葉斯的框架這個擴展的框架被稱為動態結構方程建模（DSEM），它結合了四種不同的建模技術：多層建模、時序列建模、結構方程建模（SEM）和時變效應建模（TVEM）（Zhou?et?al.，2021）。

動態結構方程模型相比之前的潛變量混合增長趨勢的優勢有：經驗相比于LGCM得到的是潛變量之間的相關性，DSEM可以探究因果關系，不僅如此，還可以研究變化軌跡、成長趨勢，甚至動態變異，對于很多構念的動態性進行深度的挖掘和發現。

2.2?密集追蹤數據研究方法

密集縱向追蹤數據收集方法如經驗抽樣（Scollon?et?al.，2003）、動態評估（Fahrenberg?et?al.，2007）、每日日記（Bolger?et?al.，2003）和生態瞬時評估（Smyth?&?Stone，2003）允許數據收集數據更密集、更頻繁、更自然、更不具侵入性（Baraldi?et?al.，2015；Conner?&?Barrett，2012；Hamaker?&Wichers，2017；Mehl?&?Conner，2012；Trull?&?EbnerPriemer，2014）［5］。由于數據實時收集通過移動或可穿戴設備，有減少負擔收集數據和增加生態有效性，因為數據收集不需要發生在實驗室設置和響應可以實時而不是回憶后（de?HaanRietdijk?et?al.，2017）［5］。因此，這些類型的研究設計已經在行為和健康科學中流行起來，特別是在研究情緒、情感和人際行為時（Moskowitz?&?Young，2006）［5］。

縱向設計采用密集的數據收集產生每個人的大量數據，特別是比較對面板數據進行傳統的縱向設計，在一個更長的時間框架內，一個人只被測量了幾次。每個人更多的觀察提高提出研究問題的能力。

密集追蹤研究方法的優勢主要體現在：（1）密集追蹤方法對變量的測量更及時、更接近被試的真實經歷，可以更好地減少測量過程中出現的記憶偏差（Stone?et?al.，1999）。（2）與密集追蹤方法提供了多個時間點和場景的測量，使得研究者可以探究個體內部心理構念隨時間的動態發展及相互作用（張銀普等，2016；Trull?&?EbnerPriemer，2014）［1］。（3）密集追蹤方法的測量隨著被試的日常生活情境進行，不僅局限于實驗室環境，極大降低了社會期望以及被試自我暴露意愿對實驗數據的影響，因此有更好的生態效度和外部效度（Sened?et?al.，2018）。（4）密集追蹤方法對多變量重復測量，允許研究者分別探究個體間和個體內的變異（Curran?&?Bauer，2011；Sened?et?al.，2018）。

經驗取樣法指多次收集在較短時間內對生活中所經歷事件的瞬時評價，并對其進行記錄的方法之一（Bolger?&?Laurenceau，2013）。其最大的特點就是在多時間點搜集個體的即時性反應，其中包含情緒、感知、態度和評價等?；谏鲜龇椒ㄋ占臄祿?，有利于解釋不同個體在不同時間點的變化原因。把個體間的關系作為情境影響因素，以個體內變異作為主要研究對象，可以研究變量間的“因果關系”和動態變化［4］。

2.3?文獻述評

總體而言，不管是動態結構模型，密集追蹤數據研究方法和Mplus國外對這些方面的研究要比國內的研究早了很多年，國內的文獻在研究大部分運用了國外研究者們在動態結構模型，密集追蹤數據研究方法和Mplus中成熟的體系。對這些體系缺少更多使用領域和方式方法的探究。

3?動態結構方程模型的原理與框架設計

由三個獨立的模型組成了一般的DSEM模型。交叉分類的DSEM模型是最一般的模型，它同時包含了個體效應和特定時間的隨機效應。第二個最一般的模型是兩級的DSEM模型，只包含特定個體的隨機效應。這個模型實際上可能是最流行和最有用的模型，因為它比較容易估計、識別和解釋。第三個模型是針對來自單個個體的時間序列數據的單級DSEM模型（cf.Zhang&Nesselroade，2007）［7］。但是在后一種模型中卻是沒有隨機效應的。現在描述的是最一般的交叉分類的DSEM模型，交叉分類DSEM模型的特例是兩級和單級DSEM模型。

DSEM框架的基礎是將觀察到的分數分解為三個組成部分。設Yit是個體i在t時刻的測量向量，其中該個體在t=1，2，3…，Ti時刻被觀察到。交叉分類的DSEM模型從以下公式分解開始：

Yit=Y1，it+Y2，i+Y3，t（1）

其中，Y2，i和Y3，t指的是個人特定的和特定的在時間上的貢獻，其中Y1，it指的是個體i在時間t時的偏差。如果把Y3，t省略那么就是兩級DSEM模型只需要使用前兩個組件，而單級模型是基于簡單地使用Yit=Y1，it；這三個分量都是潛在的正態分布隨機向量，用于形成三組結構方程模型。

從剛才提出的分解中，可以得到兩個層之間的分量，即個體特定的分量Y2，i和與時間相關的分量Y3，t。它們的結構方程模型采用了測量方程和結構方程的通常形式

在RDSEM模型中的結構部分不涉及不同時間段的變量，時間間隔δ（即兩個連續觀測器之間的距離）不應該影響該模型。同時δ會影響RDSEM模型的自回歸部分，但是其中的結構部分沒有影響。從實踐的角度來看，特別是在δ沒有自然選擇的情況下RDSEM模型的這種特性就很有優勢也可能非常吸引人［7］。

4?結論與展望

總之，動態結構方程模型是靜態結構方程模型的拓展，與時間序列和多水平模型和多層線性模型的結合。潛變量建模，其實和結構方程模型應是有相通之處，就是后來融合這些都是結構方程模型的拓展。在未來學者們主要立足于組織與管理理論，并且在其他的一些學科，比如說生態學地理學，也用到動態結構方程模型。

本文根據國內外文獻的整理和分析，總結出動態結構方程模型的密集追蹤數據研究方法發展趨勢有以下三點：

第一，未來該方法在管理心理學、組織行為學以及衛生管理中將會被大量的使用，這種研究設計將會成為未來的發展趨勢，但由于目前學術界掌握的研究方法無法完成密集數據分析，包括已經成熟的、傳統的混合增長模型和hlm模型，因此動態結構方程模型成為可以選擇的路徑之一。

第二，動態結構方程模型主要優勢在于因果分析，將時間序列、多層線性模型和結構方程模型進行融合，可以對潛變量進行動態的分析從而找出潛變量與因變量之間的因果關系，并且將影響因素考慮得更加全面，得出的結果也更加準確。動態結構方程模型必將會成為引領密集數據分析的主要方法之一。

第三，動態結構方程模型與Mplus軟件的高度融合，更加方便研究者的使用，將大大推動密集數據分析的發展，使得組織行為學和市場營銷學等學科的追蹤研究設計，得到更多的推動和發展。

參考文獻：

［1］張銀普，駱南峰，石偉.經驗取樣法：一種收集“真實”數據的新方法［J］.心理科學進展，2016，24（2）：305316.

［2］鄭舒方，張瀝今，喬欣宇，等.密集追蹤數據分析：模型及其應用［J］.心理科學進展，2021，29（11）：19481972.

［3］黃熙彤，張敏強.協變量相關對時變效應模型參數估計的影響［J］.心理科學，2021，44（05）：12311240.

［4］段錦云，陳文平.基于動態評估的取樣法：經驗取樣法［J］.心理科學進展，2012，20（7）：11101120.

［5］Aigner，Dennis?J.，Hsiao，Cheng，Kapteyn，Arie?and?Wansbeek，Tom.Latentvariable?models?in?econometrics.Handbook?of?Econometrics，1984：13111393.

［6］Cziráky，D.（2002），A?theestage?least?squares?estimator?for?dynamic?latentvariable?models.IMO?Working?Paper?4/02，Zagreb：IMO.

［7］Cziráky，D.（2006），Dynamic?Structural?Equation?Models：Estimation?andInference.London?School?of?Economics，Department?of?Statistics，PhD?Thesis.

［8］Tihomir?Asparouhov，Ellen?L.Hamaker?&?Bengt?Muthén（2018）Dynamic?Structural?Equation?Models，Structural?Equation?Modeling：A?Multidisciplinary?Journal，25：3，359388.

［9］Zhou，L.，Wang，M.，&?Zhang，Z.Intensive?longitudinal?data?analyses?with?dynamic?structural?equation?modeling.Organizational?Research?Methods，2021，24（2）：219250.

［10］Hamaker，E.L.，&?Grasman，R.P.P.P.（2015）.To?center?or?not?to?center？?Investigating?inertia?with?a?multilevel?autoregressive?model.Frontiers?in?Psychology，5，Article?1492.

作者簡介：王希泉（1975—?），男，漢族，江蘇南京人，管理學博士，副教授，管理咨詢師，會計師，研究方向：企業社會績效、主觀幸福感、縱向追蹤數據分析。

*通訊作者：陳飛（1998—?），女，漢族，江蘇南通人，本科，研究方向：縱向追蹤數據分析。