高级会员更新于 2026-05-05

随机截距交叉滞后面板模型在护理稳定特质分离中的应用

1. 一句话告诉你这是什么

RI-CLPM 将每个变量分解为”稳定的个人特质”和”随时间的波动”两个部分，在控制稳定特质的前提下检验变量之间的时序交叉效应。它回答”在排除了个体固有差异后，变量 A 的变化是否真正预测了变量 B 的变化”。

2. 什么时候用，什么时候别用

适合用

重复测量中同一变量的时间点间相关性较高（ $\ge 0.5$ ）
想区分个体间稳定差异和个体内动态变化
变量具有稳定特质成分（如人格特质、慢性病严重度）

不适合用

重复测量仅两个时间点（至少需要 3 波数据）
变量几乎无个体间变异（所有人在基线几乎相同）
样本量太小（ $n < 200$ 时 RI 参数估计不可靠）

3. 数据准备清单

至少三个时间点的面板数据
核心变量在每个时间点用相同工具测量
变量在时间点间有适度相关（ $r \ge 0.4$ ）
样本量 $\ge 200$
对变量的组内相关系数（ICC）已有了解

4. 方法直觉

RI-CLPM 把每个观察值拆成三部分：

$X_{it} = \mu_X + \lambda_X \times RI_X + X_{it}^w$

$\mu_X$ ：全体均值
$RI_X$ ：个体 $i$ 在变量 $X$ 上的稳定特质（random intercept）
$X_{it}^w$ ：个体 $i$ 在时间 $t$ 偏离自身特质的波动

交叉滞后路径只在波动部分（within-person）之间估计，排除了”两个变量相关是因为这群人本来就比较相似”的干扰。

点击展开：RI-CLPM vs CLPM 对比

对比维度	传统 CLPM	RI-CLPM
变量分解	不分解	特质 + 状态
交叉滞后含义	混合了个体间和个体内	纯个体内效应
适用场景	时间点间相关性低	时间点间相关性高
模型复杂度	较简单	增加随机截距参数
样本量要求	$n \ge 100$	$n \ge 200$ （通常 3 波）

5. R 代码（复制即可跑）

library(lavaan)

# 模拟 3 波 × 2 个变量（ICC ≈ 0.6）
set.seed(2026)
n <- 300

ri_x <- rnorm(n, 0, 2)                                    # 稳定特质 X
ri_y <- rnorm(n, 0, 2)                                    # 稳定特质 Y

df <- data.frame(id = 1:n)
for (t in 1:3) {
  df[[paste0("x", t)]] <- ri_x + rnorm(n, 0, 1.5)          # 特质 + 波动
  df[[paste0("y", t)]] <- ri_y + rnorm(n, 0, 1.5)
}

# RI-CLPM 模型（三波，双变量）
model <- '
  # 随机截距（特质）
  ri_x =~ 1 * x1 + 1 * x2 + 1 * x3
  ri_y =~ 1 * y1 + 1 * y2 + 1 * y3

  # 波动部分（within-person）
  wx1 =~ 1 * x1
  wx2 =~ 1 * x2
  wx3 =~ 1 * x3
  wy1 =~ 1 * y1
  wy2 =~ 1 * y2
  wy3 =~ 1 * y3

  # 协方差：特质
  ri_x ~~ ri_y

  # 自回归 + 交叉滞后（在波动部分）
  wx2 ~ wx1 + wy1
  wy2 ~ wy1 + wx1
  wx3 ~ wx2 + wy2
  wy3 ~ wy2 + wx2

  # 残差相关
  wx2 ~~ wy2
  wx3 ~~ wy3
'

fit <- sem(model, data = df, meanstructure = TRUE)
summary(fit, standardized = TRUE)

6. 结果怎么读

项目	值（示例）	含义
ri_x 与 ri_y 相关	$0.45^{***}$	特质 X 和特质 Y 在个体间水平上显著相关
交叉滞后 $x \rightarrow y$	$-0.08$	在波动层面，X 的变化不预测 Y 的变化
交叉滞后 $y \rightarrow x$	$0.15^{**}$	Y 的变化正向预测 X 后续的变化
特质方差占比	ICC $_x = 0.64$	X 的总变异中 64% 来自稳定的个体差异

$^{**} p < 0.01, ^{***} p < 0.001$

7. 论文里怎么写

中文： 采用随机截距交叉滞后面板模型（RI-CLPM）分离特质与波动成分后，检验抑郁症状（Y）与生活质量（X）在三个时间点间的纵向关系。随机截距显著相关（ $r = 0.45, p < 0.001$ ），提示个体间存在稳定的共变趋势。在个体内波动层面，抑郁对生活质量存在显著的交叉滞后效应（ $\beta = 0.15, p = 0.008$ ），而生活质量和抑郁的效应不显著。

English: A random-intercept cross-lagged panel model (RI-CLPM) was used to disentangle trait and state components in the longitudinal relationship between depressive symptoms (Y) and quality of life (X) across three time points. The random intercepts were significantly correlated ( $r = 0.45, p < 0.001$ ), indicating a stable trait-level association. At the within-person level, depressive symptoms showed a significant cross-lagged effect on quality of life ( $\beta = 0.15, p = 0.008$ ), whereas the reverse path was not significant.

8. 三个最常见的坑

数据需要 3 波以上。 传统 CLPM 只需要 2 波，但 RI-CLPM 需要至少 3 波才能稳定估计随机截距。如果只有 2 波数据，仍然用传统 CLPM。
忽略 RI-CLPM 与 CLPM 的结果差异。 如果 RI 的方差很小（特质成分弱），两种模型结果应一致。如果差异很大，说明 CLPM 的结果掺杂了个体间效应——此时 RI-CLPM 的结果更可信。
假设随机截距在变量间不相关。 ri_x 和 ri_y 的相关性本身是一个重要检验——如果不显著，说明两个变量在特质层面互不相关，那么纵向关系完全是个体内波动驱动的。