方 杰 温忠麟

    ·研究方法(Research Method)·

    纵向数据的调节效应分析*

    方 杰1温忠麟2

    (1广东财经大学新发展研究院/应用心理学系, 广州 510320) (2华南师范大学心理学院/心理应用研究中心, 广州 510631)

    目前调节效应检验主要是基于截面数据, 本文讨论纵向(追踪)数据的调节效应分析。如果自变量和因变量有纵向数据, 调节效应可分为三类：调节变量不随时间变化、随时间变化、调节变量从自变量或因变量中产生。评介了基于多层模型、多层结构方程模型、交叉滞后模型和潜变量增长模型的纵向数据的多种调节效应分析方法。调节效应的分解和潜调节结构方程法的使用是纵向数据的调节效应分析的两大特点。对基于四类模型的调节效应分析方法进行综合比较后, 总结出一个纵向数据的调节效应分析流程。随后用实际例子演示如何进行纵向数据的调节效应分析, 并给出相应的程序。随后展望了纵向数据的调节效应分析的拓展方向, 例如基于动态结构方程模型的密集追踪数据的调节效应分析。

    纵向数据, 调节效应, 多层模型, 多层结构方程模型, 交叉滞后模型, 潜变量增长模型

    调节(moderation)是社会科学研究中重要的方法学概念。如果自变量对因变量的作用随第三个变量的变化而变化, 则称在和之间起调节作用, 此时称为调节变量(见图1)。近30年来, 调节研究备受关注, 分析方法和实际应用都得到长足发展。然而目前调节效应分析主要涉及截面数据(cross-sectional data), 许多研究者对截面数据的调节效应分析早已驾轻就熟, 但是, 当面对纵向(追踪)数据(longitudinal data)时, 如何进行调节效应分析呢？近年来, 纵向数据的调节效应分析已经成为调节研究的新热点(方杰等, 2018; 邱皓政, 2017; 温忠麟, 刘红云, 2020; Ozkok et al., in press; Preacher et al., 2016; Wen et al., 2014)。本文在评介多层模型(也称多水平模型, Multilevel Modeling, MLM)、多层结构方程模型(Multilevel Structural Equation Model, MSEM)、交叉滞后模型(Cross-Lagged Model, CLM)和潜变量增长模型(Latent Growth Model, LGM)的纵向数据的调节效应分析方法后, 对基于4类模型的调节效应分析方法进行了综合比较, 并提出一套纵向数据的调节效应分析流程; 然后用实际例子演示如何进行纵向数据的调节效应分析 ......