R数据分析：随机截距交叉滞后RI-CLPM与传统交叉滞后CLPM

最新推荐文章于 2023-10-11 15:52:27 发布
原创 最新推荐文章于 2023-10-11 15:52:27 发布 · 5.2k 阅读 · 48 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

有同学问随机截距交叉滞后和传统交叉滞后的区别，随便记录一下，希望给到大家启发。

拟合随机截距交叉滞后模型RI-CLPM的时候我们需要将变量的观察分数分为3个部分：第一部分为总体均数grand means，就是每个变量在同一时间所有观测的均数；第二部分是因素间的稳定性stable between components，体现为变量的随机截距，就是说不同的个体在显变量的得分上有一个随机扰动，第三部分是因素内的波动性fluctuating within components，就是针对每个个体的每次测量和期望的得分的差异。

设定随机截距的操作就是在模型设定的时候额外设定一个重复测量的潜变量，然后将所有测量的载荷设定为1。

具体地看下面的例子，下图是一个研究睡眠问题和焦虑的随机截距交叉滞后模型，数据测了5波，其中Sit代表个体i在t时间的睡眠问题，Ait代表个体i在t时间的焦虑：

R数据分析：随机截距交叉滞后RI-CLPM与传统交叉滞后CLPM

以上图为依据给大家讲讲随机截距交叉滞后的3个部分，首先总体均数就是说我观测的所有样本在某个时间点测得的这个变量的总体水平，比如睡眠的总体均数我就可以用μt表示，焦虑的总体均数就可以用πt表示，t就取1到5，当然了这个总体均数可以随着时间变化，作为一个验证性的方法我也可以选择验证不变性，都行，看你的理论考虑。

第二个部分就是因素间的稳定性，在上面的图中用B打头，这个主要是体现时间不变性条件下的得分与总体均数之间的差异性（同一时间点每个人之间的不同），用随机截距体现，就是个体差异。

第三部分是因素内的波动性，是用W表示的，表示一个个体观测的分数和基于随机截距和总体均数所期望出来的分数之间的差异（纵向波动）。

上面

最低0.47元/天 解锁文章
Mplus—随机截距交叉滞后模型（RI-CLPM）语法
m0_54401011的博客
10-11 1954
随机截距交叉滞后模型RI-CLPM的Mplus语法。
Mplus—随机截距交叉滞后模型（Random Intercepts Cross-Lagged Panel Model, RI-CLPM）
m0_54401011的博客
02-14 8566
介绍随机截距交叉滞后模型（Random Intercepts Cross-Lagged Panel Model, RI-CLPM）的相关知识，例如模型内容、Mplus语法及对应网址等。
Mplus—多组随机截距交叉滞后模型（The multiple group RI-CLPM）/多组比较/多组分析
m0_54401011的博客
10-11 4037
随机截距交叉滞后模型进行多组比较/多组分析的Mplus语句。
Mplus—多指标随机截距交叉滞后模型（Multiple Indicator Random Intercept Cross-Lagged Panel Model, MI RI-CLPM）
m0_54401011的博客
10-11 1319
多指标随机截距交叉滞后模型的Mplus语法。
交叉滞后模型
weixin_55181917的博客
06-14 6648
欲了解大学新生一般自我效能感是否影响生活满意度，抽取大学新生样本：在开学第一个月对其同时施测‘一般自我效能感量表’和‘生活满意度问卷’，间隔两个月后，再次施测。如上述，我们主要关注其交叉滞后关系的系数估计和显著性，即可推断出两个变量的因果关系，三年级对暴力性电视节目的爱好对十三年级的攻击性具显著影响力，则为青少年攻击性形成的果。纵向追踪研究获得的多次数据进行分析以便确定哪个变量影响哪个变量，也就是确定变量之间因果关系的一种分析方法。既可研究A对B的影响，又可研究B对A的影响；如下，导入数据至AMOS板块。
RI-CLPM:该存储库已转移到jeroendmulder.github.ioRI-CLPM，以便于维护。 Github页面会自动重定向到新的Github页面
05-27
RI-CLPM和扩展 该存储库及其Github Pages已移至 。 现在，该存储库的Github页面可以用作自动重定向。
Mplus—纳入协变量的随机截距交叉滞后模型（RI-CLPM）语法
m0_54401011的博客
10-11 1556
纳入时变和时不变协变量的随机截距交叉滞后模型（RI-CLPM）语法。
R数据分析：交叉滞后模型非专业解释
Codewar的博客
03-04 1万+
今天继续写交叉滞后模型，本文大部分内容参考自文献：Kearney, Michael. (2017). Cross-Lagged Panel Analysis. 所以不论自己写的怎么样都建议大家去瞅瞅原文章哦，原文很短的。 什么是交叉滞后 交叉滞后模型是一种研究变量相互关系的分析方法，它的名字有交叉滞后面板模型Cross-lagged panel models (CLPM)，交叉滞后路径模型，交叉滞后回归模型，指的都是同一个东西。 为啥叫”交叉“？ 因为它同时既研究A对B的关系，又研究B对A的关系。
Statistical-Supplementary-Materials:贝叶斯交叉滞后多层模型的Mplus代码
05-13
统计补充材料 我已发表和正在进行的工作的统计补充材料代码。
文献解读：纵向数据的测量不变性和交叉滞后模型（一）
Codewar的博客
03-03 9242
今天本来想看看交叉滞后怎么做，然后给粉丝写写教程，查资料的过程中发现了一篇很好的文献，记录下来分享给大家。 这篇文献主要是讲如何用R的lavaan包做交叉滞后模型的。 文献一开始首先介绍Measurement invariance Measurement invariance测量不变性 在心理学的很多情形下，我们都不能直接测量我们想要的构象，比如饮酒动机，这些不能直接测量的变量叫做潜变量，叫做因子，叫做构象，叫做维度。 下次你看到上面的红字你都可以把它们理解为一个东西，那么构象这个东西就得靠...
文献解读：纵向数据的测量不变性和交叉滞后模型（二）
Codewar的博客
03-17 4825
接着之前的文章文献解读：纵向数据的测量不变性和交叉滞后模型（一） 我们今天继续文献解读，上次说到了我们通过验证性因子分析已经得到我们的数据是符合构形不变性的，我们可以继续检验测量不变性的下一个水平单位等值(Metric invariance)。 单位等值(Metric invariance)设定 上篇文章已经讲了，单位等值这个水平要求测量因子与条目之间的关系——因子负荷（factor loading）是相等的，所以我们需要在之前模型的基础上再将所有不同时间相同因子的载荷设置为一样，代码如下： me
R数据分析：纵向数据如何做中介，交叉滞后中介模型介绍
Codewar的博客
08-25 1万+
看似小小的中介，废了我好多脑细胞，这个东西真的不简单，从7月份有人问我，我多重中介，到现在的纵向数据中介，从一般的回归做法，到结构方程框架下的路径分析法，到反事实框架做法，从中介变量和因变量到是连续变量到中介变量和因变量是分类变量，很浩渺的系统知识，今天开始一点一点给大家写。 今天就和大家一起探讨纵向数据的中介效应检验，一般来讲考虑因果关系的时间先后顺序，纵向数据才是探讨中介的理想数据形式： In practice, it is strongly recommended to establish me
R数据分析：交叉滞后模型基础与实例解析
Codewar的博客
07-19 1万+
最近问纵向数据分析的同学贼多，像潜增长，GEE，多水平，之前都有写，今天偷空出个简易的交叉滞后教程哈，大家只要遇到像causal models，cross- lagged panel models，linear panel models 和autoregres-sive cross- lagged models 这些，都要反应过来他们都是一个东西，都叫面板模型，统一的数据特点就是把变量纵向测量很多波，然后想探讨变量间的关系，最简单的情形就是两波的时候啦，如下图： 我们看着这个图，可以自然而然地写出
Mplus数据分析:随机截距交叉之后的做法和如何加协变量，写给粉丝
Codewar的博客
09-01 6509
记得之前有写过如何用R做随机截距交叉滞后，有些粉丝完全是R小白，还是希望我用mplus做，今天就给大家写写如何用mplus做随机截距交叉滞后。 做之前我们需要知道一些Mplus的默认的设定： observed and latent exogenous variables are correlated, and residuals of observed and latent outcome variables (which do not predict anything) in a path mode
基于R lavaan 进行SEM分析总结
热门推荐
qq_31385713的博客
01-31 2万+
前期对SEM模型的构建以及问卷题项设计工作已经完成，本部分从问卷数据收集以及处理完成后开始分析。 一理论部分 1.1验证性因子分析 验证性因子分析CFA的主要目的在于进行效度验证，它与探索性因子分析有所不同。 探索性因子分析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间的相关程度，推断模型的内部结果。而验证性因子分析的主要是决定事前定义因子的模型拟合实际数据的能力，以试图检验...
应用时间序列分析清华大学出版社电子版_重复测量纵向追踪数据——时间序列分析 R&Mplus 的应用...
weixin_39866881的博客
11-23 1363
1. Intensive longitudinal data现在由于智能手机等一系列设备的应用，极大的方便了研究者收集数据，可以不断追踪被试数天，数月甚至数十年，这样的数据通常就属于intensive longitudinal data (ILD)。如下图所示，ILD常见的形式来源有日记法，经验取样法，生态瞬时测量等，越来越多研究使用这些方法。(Hamaker, 2019)2.What...
斜率比截距重要
蓝创精英团队
11-08 1203
忘掉 y 轴的截距吧，长远来看，斜率是唯一重要的事情。 如果 x 轴表示时间，y 轴表示你要实现的目标，那么实现目标的过程可以画成一条直线。 这条直线可以用两个变量描述：y 轴截距（直线与 y 轴的交点）和斜率（y 随时间变化的速度）。 如果我们把 y 轴截距看成是你的起点，那么斜率就是你为了实现目标，而适应、学习和付出努力的前进速度。 即使一条线的起点远低于另一条线，只要它的斜率更大，终究会超越前一条线。 你可能听过这样的建议：做一个终身学习者，每天学一点，不断进步。很少有人能够遵循这条建议
三个变量三次测量的RI-CLPM（随机截距交叉滞后模型）的Mplus代码。
最新发布
11-09
这是一个**代码型**文件。你要求的是：**三个变量、三次测量的随机截距交叉滞后模型（RI-CLPM）Mplus 代码**。 我们将严格按照以下结构回答： 1. **代码概述** 2. **代码解析** 3. **知识点详解（不超过3个，每个≤50字）** --- ### **代码概述** 本代码实现的是**随机截距交叉滞后模型（Random Intercept Cross-Lagged Panel Model, RI-CLPM）**，适用于对**三个变量在三个时间点上的纵向数据**进行建模，分离个体间稳定性与个体内动态变化，用于检验变量间的**跨时间预测关系（交叉滞后效应）**。 该模型通过引入“随机截距”因子来捕捉个体之间的稳定差异，从而更准确地估计个体内层面的动态过程。 --- ### **代码解析** ```mplus TITLE: RI-CLPM for Three Variables with Three Measurement Waves; DATA: FILE = "data.dat"; ! 替换为你的实际数据路径 ; VARIABLE: NAMES = id x1 x2 x3 y1 y2 y3 z1 y2 z3; ! 假设变量为 X, Y, Z 的三波测量 USEVARIABLES = x1 x2 x3 y1 y2 y3 z1 z2 z3; MISSING = ALL(-99); ANALYSIS: ESTIMATOR = MLR; ! 推荐：稳健最大似然法，处理非正态和聚类 ITERATIONS = 1000; CONVERGENCE = 0.00001; MODEL: ! Step 1: 定义随机截距因子（个体间稳定性） RI_X BY x1@1 x2@1 x3@1; ! 随机截距X：所有载荷固定为1 RI_Y BY y1@1 y2@1 y3@1; RI_Z BY z1@1 z2@1 z3@1; [RI_X RI_Y RI_Z]; ! 自由估计均值 RI_X-Ri_Z@0; ! 关键：将潜变量残差方差设为0（即截距代表稳定特质） ! Step 2: 定义个体内残差项（个体内波动） x1-x3@1; ! 测量误差或个体内变异，允许自由估计 y1-y3@1; z1-z3@1; ! Step 3: 设置自回归路径（个体内 T1→T2, T2→T3） x2 ON x1; x3 ON x2; y2 ON y1; y3 ON y2; z2 ON z1; z3 ON z2; ! Step 4: 设置交叉滞后路径（关键：个体内动态预测） y2 ON x1; y3 ON x2; z2 ON x1; z3 ON x2; x2 ON y1; x3 ON y2; z2 ON y1; z3 ON y2; x2 ON z1; x3 ON z2; y2 ON z1; y3 ON z2; ! Step 5: 同一时间点变量相关（可观测残差协方差） x1 WITH y1 z1; x2 WITH y2 z2; x3 WITH y3 z3; y1 WITH z1; y2 WITH z2; y3 WITH z3; OUTPUT: STDYX SAMPSTAT TECH1 TECH8 MODINDICES(ALL); PLOT: TYPE = PLOT3; ``` --- ### ✅ 模型说明图解（文字版） ``` 个体间层面（Between-Level）： RI_X ──→ 所有 x_t 的均值（稳定特质） RI_Y ──→ 所有 y_t 的均值 RI_Z ──→ 所有 z_t 的均值 个体内层面（Within-Level）： x1 → x2 → x3 ↓ ↓ y1 → y2 → y3 （交叉滞后路径在此层解释） ↓ ↓ z1 → z2 → z3 ``` > 🔍 只有个体内部分（去除了个体稳定性后）的交叉滞后才反映真实动态影响。 --- ### ✅ 如何使用？ #### 1. 数据准备 - 将 Excel 导出为 `.dat` 文件； - 确保每行是一个人，列为： ``` x1 x2 x3 y1 y2 y3 z1 z2 z3 ``` #### 2. 修改变量名 - 把 `x`, `y`, `z` 改成你的真实变量名，例如： - `mot1-mot3`（动机） - `per1-per3`（表现） - `emo1-emo3`（情绪） #### 3. 运行后看什么？ - 在输出中查找： ```plaintext y2 ON x1 0.25* ! 表示 T1 动机预测 T2 表现 x2 ON y1 0.10 ! 反向预测较弱 ``` - 使用 **STDYX** 列的标准化系数比较路径强度。 --- ### ✅ 文献支持（可用于论文引用） - **Hamaker, E. L., Kuiper, R. M., & Grasman, R. P. P. P. (2015).** *A critique of the cross-lagged panel model.* Psychological Methods, 20(1), 102–116. > 提出 RI-CLPM 是解决 CLPM 混淆个体内/间效应的理想替代方案。 - **Mulder, J. D., & Hamaker, E. L. (2021).** *Three analytic approaches using longitudinal data.* Annual Review of Statistics and Its Application. > 详细对比 CLPM vs RI-CLPM vs LDMS。 --- ### **知识点（列出该代码中遇到的知识点）** 1. **随机截距因子（RI）分离个体内与个体间效应** RI 吸收跨时间稳定的个体差异，使交叉滞后仅反映个体内动态。 2. **RI-CLPM 避免传统 CLPM 的混淆偏差** 传统模型混杂了长期特质与短期变化，RI-CLPM 更准确刻画因果过程。 3. **自回归与交叉滞后路径建模个体内预测** 在控制前期值后，检验一个变量是否能预测另一变量的后续变化。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

公众号Codewar原创作者

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值