高级 会员 更新于 2026-05-05

交叉滞后中介分析在护理纵向因果推断中的应用

1. 一句话告诉你这是什么

交叉滞后中介分析利用两个以上时间点的面板数据，检验变量间的时序关系。它回答”X 在时间 1 的变化是否预测了 M 在时间 2 的变化，进而预测 Y 在时间 3 的变化”——比如心理弹性是否中介了社会支持对创伤后成长的影响。

2. 什么时候用，什么时候别用

适合用

  • 至少两个时间点的面板数据
  • 想检验变量之间的时序顺序（先有 X → 后有 Y）
  • 提出了一个纵向中介路径：T1_X→T2_M→T3_YT1\_X \rightarrow T2\_M \rightarrow T3\_Y

不适合用

  • 只有横截面数据（应做传统中介分析）
  • 时间间隔不合理（间隔太短或太长都会低估效应）
  • 关键变量的测量在不同时间点不一致

3. 数据准备清单

  • 至少两个（最好三个）时间点的面板数据
  • 每个时间点测量了相同的核心变量
  • 变量为连续（或有序分类，用稳健标准误校正）
  • 样本量 ≥200\ge 200
  • 无严重的跨期缺失（失访率 ≤20%\le 20\%）

4. 方法直觉

传统交叉滞后面板模型（CLPM）检验 XtX_t 和 YtY_t 在相邻时间点之间的交互影响路径：

Xt+1=β1Xt+β2Yt+εt+1X_{t+1} = \beta_1 X_t + \beta_2 Y_t + \varepsilon_{t+1} Yt+1=β3Yt+β4Xt+ζt+1Y_{t+1} = \beta_3 Y_t + \beta_4 X_t + \zeta_{t+1}

中间的交叉滞后路径 β2\beta_2（Y 对 X 的影响）和 β4\beta_4（X 对 Y 的影响）比较哪个方向的效应更强。

当扩展到中介时：T1_X→T2_M→T3_YT1\_X \rightarrow T2\_M \rightarrow T3\_Y，间接效应为 βX→M×βM→Y\beta_{X \rightarrow M} \times \beta_{M \rightarrow Y}，用 bootstrap 检验置信区间是否含 0。

点击展开：随机截距 CLPM (RI-CLPM) 简介

传统 CLPM 无法区分个体间稳定差异 vs 个体内波动。RI-CLPM 增加一个随机截距来分离”特质”（稳定的个体差异）和”状态”（随时间波动的部分），从而得到更纯净的交叉滞后估计。在护理研究中，重复测量高度相关时（如人格特质的测量），建议使用 RI-CLPM。

5. R 代码（复制即可跑）

library(lavaan)

# 模拟三波面板数据
set.seed(2026)
n <- 300
df <- data.frame(
  id = 1:n,
  # 社会支持 T1
  soc1 = rnorm(n, 50, 10),
  # 心理弹性 T2（中介）
  res2 = NA,
  # 创伤后成长 T3（结局）
  ptg3 = NA
)

# T1 社会支持 → T2 弹性 → T3 成长
df$res2 <- with(df, 30 + 0.4 * soc1 + rnorm(n, 0, 8))
df$ptg3 <- with(df, 20 + 0.15 * soc1 + 0.3 * res2 + rnorm(n, 0, 8))

# 定义纵向中介模型
model <- '
  # 路径
  res2 ~ a * soc1
  ptg3 ~ b * res2 + c * soc1

  # 间接效应
  indirect := a * b
  direct   := c
  total    := c + (a * b)
'

fit <- sem(model, data = df, se = "bootstrap", bootstrap = 1000)
summary(fit, fit.measures = TRUE, standardized = TRUE)
parameterEstimates(fit, ci = TRUE)

6. 结果怎么读

项目值（示例）含义
aa (社会支持→弹性)0.40∗∗∗0.40^{***}T1 社会支持每高 1 分，T2 弹性高 0.40
bb (弹性→成长)0.30∗∗∗0.30^{***}T2 弹性每高 1 分，T3 成长高 0.30
cc (直接效应)0.15∗0.15^*控制中介后，社会支持仍直接预测成长
a×ba \times b (间接效应)0.12∗∗0.12^{**}bootstrap 95% CI [0.06, 0.18]，不含 0 → 中介显著

∗p<0.05,∗∗p<0.01,∗∗∗p<0.001^* p < 0.05, ^{**} p < 0.01, ^{***} p < 0.001

7. 论文里怎么写

中文： 采用交叉滞后中介分析检验社会支持（T1）通过心理弹性（T2）影响创伤后成长（T3）的纵向路径。Bootstrap 检验显示间接效应显著（β=0.12\beta = 0.12, 95% CI [0.06,0.18][0.06, 0.18]），心理弹性部分中介了社会支持对创伤后成长的影响。模型拟合良好（CFI = 0.99, RMSEA = 0.03）。

English: A cross-lagged mediation analysis was conducted to examine whether psychological resilience (T2) mediated the longitudinal effect of social support (T1) on post-traumatic growth (T3). Bootstrap analysis revealed a significant indirect effect (β=0.12\beta = 0.12, 95% CI [0.06,0.18][0.06, 0.18]), indicating that resilience partially mediated the effect of social support on growth. The model showed good fit (CFI = 0.99, RMSEA = 0.03).

8. 三个最常见的坑

  1. 时间点顺序与因果顺序必须一致。 三个变量的测量时间必须按照理论因果顺序排列（X→M→YX \rightarrow M \rightarrow Y），如果 T2 同时测量了 M 和 Y，纵向中介的逻辑链条就被打断了。
  2. 忽略 auto-regressive 效应。 模型中必须控制每个变量自身在上一时间点的路径（自回归路径），否则交叉滞后效应会被高估。公式中 β1Xt\beta_1 X_t 和 β3Yt\beta_3 Y_t 就是自回归。
  3. 测量等值性未检验。 同一变量在不同时间点的测量性质必须等同（因素载荷不变），否则无法确定观察到的变化是真的还是测量偏差。