教程 · 2026-06-24

潜变量增长模型LGM与交叉滞后CLPM用AI一句话完成 — 纵向追踪数据分析

潜变量增长模型（LGM）与交叉滞后面板模型（CLPM）完整教程：用AI一句话完成截距斜率估计、增长轨迹拟合、双变量交叉滞后效应检验，自动输出APA格式报告与三线表。

纵向追踪数据，SPSS能做的很有限——重复测量ANOVA告诉你"有没有变化"，却无法量化"变化的速率"，也无法检验两个变量随时间的互相影响。这篇教程教你用AI一句话跑完LGM与CLPM全套流程：增长轨迹、截距斜率个体差异、双变量交叉滞后效应——60秒全齐。

纵向数据分析的真正痛点

追踪研究、干预研究、纵向队列研究的研究者，手里通常都有"同一批人测了3次以上"的数据。重复测量ANOVA可以回答"不同时点均值是否有差异"，但它无法回答以下这些在纵向研究中真正重要的问题：

这批人的变化轨迹是什么样的？是线性增长、加速增长，还是递减趋于平台？
截距（起始水平）和斜率（变化速率）是否存在个体差异？
截距和斜率之间是否相关？（起点高的人，变化得是否也更快？）
变量A在时点T的水平，是否会预测变量B在时点T+1的变化？（交叉滞后因果逻辑）
这种双向影响是对称的，还是某一方向的效应更强？

前三个问题属于**潜变量增长曲线模型（Latent Growth Curve Model，LGM/LCM）的领域；后两个问题属于交叉滞后面板模型（Cross-Lagged Panel Model，CLPM）**的领域。两者都建立在结构方程模型（SEM）框架之上，在R（lavaan包）、Stata（sem命令）和专用SEM软件中都能实现，但参数设置繁琐，纵向数据的约束矩阵尤其容易出错。

ChatSRS把整个流程压到一句话。

方法一：潜变量增长曲线模型（LGM）

LGM的核心逻辑

LGM将纵向观测建模为两个潜在因子：

截距因子（Intercept Factor，I）：代表个体的起始水平（在线性模型中通常是第一个时点的估计值）；负荷全部固定为1
斜率因子（Slope Factor，S）：代表个体随时间的变化速率；负荷按时间间隔固定，如0、1、2、3

截距和斜率都是潜变量，因此每个个体都有自己的截距和斜率估计值，可以研究个体差异。

              I (截距)    S (斜率)
负荷约束:
  T1  →  y1   1.0         0.0
  T2  →  y2   1.0         1.0
  T3  →  y3   1.0         2.0
  T4  →  y4   1.0         3.0

关键参数：

参数	符号	含义
截距均值	mu_I	全样本平均起始水平
斜率均值	mu_S	全样本平均变化速率（每单位时间）
截距方差	psi_II	起始水平的个体差异程度
斜率方差	psi_SS	变化速率的个体差异程度
截距-斜率协方差	psi_IS	起点与速率的相关，正值=高起点者增长更快
测量误差方差	theta	每个时点的残差（通常允许等同约束）

案例数据：中学生学业自我效能感四波追踪研究

某教育心理学研究追踪320名初中生从初一到初四，每年测量一次学业自我效能感量表（ASES，25-125分，分数越高效能感越强）。

变量名       含义
id           被试编号
ases_t1      初一测量（第1波）
ases_t2      初二测量（第2波）
ases_t3      初三测量（第3波）
ases_t4      初四测量（第4波）
gender       性别（0=男，1=女）
ses          家庭社会经济地位（1-5分）

研究问题：

学业自我效能感的纵向增长轨迹是线性的吗？
截距和斜率各自存在显著的个体差异吗？
家庭SES是否能预测截距（起始水平）和斜率（增长速率）？

用AI一句话完成LGM

在 chatsrs.com 上传数据后输入：

"对320名初中生四波追踪数据（ases_t1~ases_t4）建立线性潜变量增长曲线模型（LGM）。请输出：

各时点描述统计（M、SD、偏度、峰度）及相邻时点相关矩阵

无条件线性LGM：截距均值、斜率均值、截距方差、斜率方差、截距-斜率协方差（含z检验和p值）

模型拟合指标：chi-squared、df、CFI、TLI、RMSEA（90% CI）、SRMR

有条件LGM：加入gender和ses作为截距和斜率的预测变量，输出路径系数（B、SE、beta、p）

三线表格式，APA 7th中文描述"

LGM输出结果怎么读

输出1：无条件LGM参数估计

表1  线性潜变量增长曲线模型参数估计（N = 320）

参数              估计值    SE      z        p           95% CI
截距均值 (mu_I)   87.42    1.08    80.94    <.001 ***   [85.30, 89.54]
斜率均值 (mu_S)    4.63    0.34    13.62    <.001 ***   [ 3.97,  5.29]
截距方差 (psi_II) 218.45   18.72   11.67    <.001 ***   [181.76, 255.14]
斜率方差 (psi_SS)  12.84    1.94    6.62    <.001 ***   [  9.04,  16.64]
截距-斜率协方差   -18.63    4.21   -4.43    <.001 ***   [-26.88, -10.38]
测量误差方差       34.21    3.18   10.76    <.001 ***   [ 27.98,  40.44]

注：截距负荷固定为1；斜率负荷按等间隔约束（0、1、2、3）；
   测量误差方差跨时点设为等同约束。

逐行解读：

截距均值 87.42：初一时全样本学业自我效能感平均为87.42分，z检验显著，说明均值不为零（这通常是理所当然的，更重要的是截距的方差）
斜率均值 4.63（p < .001）：平均每升一个年级，效能感增加4.63分——线性增长趋势显著
截距方差 218.45（p < .001）：截距存在显著个体差异，不同学生的起始水平差异很大
斜率方差 12.84（p < .001）：斜率存在显著个体差异，有人增长快有人增长慢（甚至有人下降）
截距-斜率协方差 -18.63（p < .001）：负相关（标准化后r = -18.63 / sqrt(218.45 * 12.84) = -.35），说明起点越高的学生，增长速率越慢——天花板效应或均值回归

输出2：模型拟合指标

表2  LGM模型拟合指标

指标               值             解释
χ²(8)             8.74           p = .119，不显著
CFI               .991           >  .95，优秀
TLI               .985           >  .95，优秀
RMSEA             .048           [.000, .092] 90% CI，<  .06，良好
SRMR              .031           <  .08，良好

注：线性LGM（无条件模型，8个过约束df：14个观测矩 - 6个自由参数）拟合良好。
   判断标准：CFI/TLI > .95，RMSEA < .06，SRMR < .08（Hu & Bentler, 1999）。

输出3：有条件LGM（加入协变量）

表3  有条件LGM路径系数（N = 320）

预测路径                    B        SE      beta     p
SES → 截距（起始水平）     5.84    0.92     .28     <.001 ***
SES → 斜率（增长速率）     0.67    0.21     .18      .001 **
Gender → 截距             -3.12    1.84    -.08      .090
Gender → 斜率              0.42    0.43     .06      .326

注：Beta为标准化路径系数；Gender：0=男，1=女（参照）。
   ** p < .01，*** p < .001。

解读：家庭SES对截距（beta = .28，p < .001）和斜率（beta = .18，p = .001）均有显著正向预测作用——SES越高的学生，初始自我效能感更高，且增长也更快。性别效应不显著。

方法二：交叉滞后面板模型（CLPM）

CLPM的核心逻辑

当研究者关心两个变量随时间的相互影响时，CLPM是经典选择。模型同时估计：

自回归路径（Autoregressive paths）：变量在前一时点对自身下一时点的预测（稳定性系数）
交叉滞后路径（Cross-lagged paths）：变量A的前一时点对变量B下一时点的预测（跨变量的时滞效应）

CLPM结构示意（两变量三时点）：

  X_T1 ─────────────→ X_T2 ─────────────→ X_T3
    │  \(beta_XY)       │  \(beta_XY)       │
    │   ↘               │   ↘               │
    │    Y_T2            │    Y_T3           │
    │   ↗               │   ↗               │
    │  /(beta_YX)       │  /(beta_YX)
  Y_T1 ─────────────→ Y_T2 ─────────────→ Y_T3

beta_XX: X的自回归稳定性
beta_YY: Y的自回归稳定性
beta_XY: X → Y的交叉滞后（X对Y的滞后预测效应）
beta_YX: Y → X的交叉滞后（Y对X的滞后预测效应）

注意：经典CLPM受到近年方法学文献的批评（Hamaker et al., 2015），因为它混淆了稳定的个体间差异与真实的组内纵向变化。在条件允许时，**随机截距交叉滞后面板模型（RI-CLPM）**是更严格的替代方案——ChatSRS同样支持一句话完成RI-CLPM，只需在指令末尾加"同时输出RI-CLPM对比结果"。

案例数据：大学生手机使用与学业拖延的双向关系

某心理学研究追踪200名大学生三个学期（T1=大一上、T2=大一下、T3=大二上），每学期测量：

变量名       含义
phone_t1/t2/t3   手机日均使用时长（小时）
delay_t1/t2/t3   学业拖延量表得分（20-100分，越高越拖延）

研究问题：

手机使用是否会在随后一个学期预测更高的拖延（phone → delay）？
拖延是否会在随后一个学期预测更多的手机使用（delay → phone）？
哪个方向的效应更强？

用AI一句话完成CLPM

在 chatsrs.com 上传数据后输入：

"对200名大学生三时点数据（phone_t1~~phone_t3，delay_t1~~delay_t3）建立双变量交叉滞后面板模型（CLPM）。请输出：

描述统计 + 各时点间相关矩阵（Pearson r，含显著性标注）

完整CLPM：自回归路径（phone→phone，delay→delay）+ 交叉滞后路径（phone→delay，delay→phone）的路径系数（B、SE、beta、p）

模型拟合：chi-squared、CFI、TLI、RMSEA（90% CI）、SRMR

检验跨波段等同约束：自回归路径和交叉滞后路径是否在不同波段间稳定

三线表格式，APA 7th中文描述"

CLPM输出结果怎么读

输出1：CLPM路径系数

表4  交叉滞后面板模型路径系数（N = 200）

路径                          B       SE      beta    p
自回归路径
  phone_t1 → phone_t2        0.52    0.06    .51     <.001 ***
  phone_t2 → phone_t3        0.49    0.07    .47     <.001 ***
  delay_t1 → delay_t2        0.58    0.07    .56     <.001 ***
  delay_t2 → delay_t3        0.61    0.07    .59     <.001 ***

交叉滞后路径
  phone_t1 → delay_t2        0.18    0.06    .16      .002 **
  phone_t2 → delay_t3        0.21    0.07    .17      .003 **
  delay_t1 → phone_t2        0.09    0.05    .09      .071
  delay_t2 → phone_t3        0.11    0.06    .10      .063

注：Beta为标准化路径系数；同一方向的两个交叉滞后路径已做等同约束检验（不显著，
   delta-CFI < .01，维持等同约束合理）。
   ** p < .01，*** p < .001。

核心发现解读：

手机使用 → 拖延（beta = .16~.17，p < .01）：单向显著——控制前一时点拖延水平后，手机使用时长越长，下一学期拖延越严重
拖延 → 手机使用（beta = .09~.10，p > .05）：不显著——拖延对随后手机使用无显著预测作用
两个自回归路径均显著（beta约.50-.60），说明两个变量均有中等稳定性
结论：手机使用是拖延的单向预测因子，反向路径不成立

输出2：模型拟合

表5  CLPM模型拟合指标

指标               值             解释
chi-squared(4)    5.42           p = .247，不显著
CFI               .994           >  .95，优秀
TLI               .985           >  .95，优秀
RMSEA             .042           [.000, .098] 90% CI，<  .06，良好
SRMR              .028           <  .08，良好

论文里怎么报告（APA 7th格式）

LGM APA报告句式

方法节（模型设定部分）：

采用潜变量增长曲线模型（Latent Growth Curve Model，LGM）分析学业自我效能感的纵向变化轨迹（McArdle & Epstein, 1987）。截距因子负荷全部固定为1，斜率因子负荷按测量间隔固定为0、1、2、3，测量误差方差跨时点施加等同约束。模型由R 4.4中的lavaan包（v0.6-18，Rosseel, 2012）估计，采用全信息最大似然法（FIML）处理缺失数据。模型拟合以CFI > .95、RMSEA < .06、SRMR < .08为标准（Hu & Bentler, 1999）。

结果节（无条件LGM部分）：

无条件线性LGM拟合良好，χ²(8) = 8.74, p = .119, CFI = .991, RMSEA = .048, 90% CI [.000, .092], SRMR = .031。截距均值显著不为零（M_I = 87.42, SE = 1.08, p < .001），斜率均值显著为正（M_S = 4.63, SE = 0.34, p < .001），表明学业自我效能感在初中四年间存在显著的线性增长趋势。截距方差（psi_II = 218.45, SE = 18.72, p < .001）和斜率方差（psi_SS = 12.84, SE = 1.94, p < .001）均显著，说明个体间在起始水平和增长速率上存在实质性差异。截距与斜率呈显著负相关（psi_IS = -18.63, SE = 4.21, p < .001, r = -.35），提示起始水平越高的学生，增长速率相对越慢。

结果节（有条件LGM，协变量效应）：

有条件LGM结果显示，家庭社会经济地位（SES）对截距（B = 5.84, SE = 0.92, beta = .28, p < .001）和斜率（B = 0.67, SE = 0.21, beta = .18, p = .001）均有显著正向预测作用。性别对截距（B = -3.12, SE = 1.84, beta = -.08, p = .090）和斜率（B = 0.42, SE = 0.43, beta = .06, p = .326）的预测效应不显著。

CLPM APA报告句式

方法节（模型设定部分）：

采用交叉滞后面板模型（Cross-Lagged Panel Model，CLPM；Kenny, 1975）检验手机使用与学业拖延之间的双向纵向关系。模型同时估计自回归路径（各变量自身跨时点的稳定性）和交叉滞后路径（两变量间的时滞预测效应），同时期残差跨时点自由估计，各时期内两变量残差间相关自由估计。采用卡方差异检验（delta-CFI）对等同约束模型进行检验。

结果节（CLPM路径系数部分）：

CLPM拟合良好，χ²(4) = 5.42, p = .247, CFI = .994, RMSEA = .042, 90% CI [.000, .098], SRMR = .028。交叉滞后路径等同约束检验结果不显著（delta-CFI < .01），支持跨波段路径稳定性假设。

控制各变量在前一时点的自身水平后，手机使用时长对下一学期学业拖延的交叉滞后效应显著（beta = .16~.17, p < .01），而拖延对随后手机使用时长的交叉滞后效应不显著（beta = .09~.10, p > .05）。结果支持手机使用对学业拖延的单向预测效应，反向路径不成立。

APA报告格式规范对照表

要素	LGM格式示例	CLPM格式示例
截距/斜率均值	M_I = 87.42, SE = 1.08, p < .001	—
方差（个体差异）	psi_SS = 12.84, SE = 1.94, p < .001	—
路径系数	B = 5.84, SE = 0.92, beta = .28, p < .001	beta = .16, p = .002
模型拟合	χ²(8) = 8.74, CFI = .991, RMSEA = .048	χ²(4) = 5.42, CFI = .994
效应量	标准化路径beta（小.10，中.30，大.50；Cohen, 1988相关系数r阈值，SEM路径系数借用参考，见Kline, 2016）	同左

APA 7th细节提醒：p值小数点前不加0（写p = .001，不写p = 0.001）；路径系数报告标准化值beta时，也不加0（写beta = .28）；RMSEA必须报告90%置信区间而非95%。

常见问题 FAQ

Q1：LGM和重复测量ANOVA有什么本质区别？什么时候该选哪个？

A：两者都能描述"均值随时间的变化"，但核心区别在于三点。第一，个体差异建模：重复测量ANOVA假设所有被试遵循同一条增长曲线，LGM允许每个个体有自己的截距和斜率，并将个体差异作为参数直接估计；第二，缺失数据处理：LGM在SEM框架下天然支持FIML（全信息最大似然），缺失数据无需删除，重复测量ANOVA默认完整案例；第三，协变量预测：LGM可以直接将人口学变量（如性别、SES）作为截距和斜率的预测变量，而重复测量ANOVA只能通过混合模型扩展实现类似功能。当研究者关心"谁变化得更快"以及"什么因素影响了增长速率"时，LGM是更合适的选择；如果只关心"总体上均值是否随时间变化"，重复测量ANOVA够用且更简单。

Q2：CLPM和经典RI-CLPM有什么区别？一定要用RI-CLPM吗？

A：Hamaker等人（2015）的批评指出，经典CLPM的交叉滞后系数混合了个体间差异（stable trait-like differences between people）和组内纵向变化（within-person change over time），因此用于推断"个体层面的因果过程"时可能存在偏差。RI-CLPM通过加入随机截距因子剥离了稳定的个体间差异，使交叉滞后路径仅反映组内纵向关系，方法学上更严格。实践建议：如果研究目的是推断组内纵向因果逻辑，优先用RI-CLPM；如果样本量有限（< 200）或测量时点仅有3波，经典CLPM仍有报告价值，但需在局限性中说明。ChatSRS在同一次指令里可同时输出CLPM和RI-CLPM的对比结果。

Q3：LGM结果中斜率方差不显著，意味着什么？

A：斜率方差不显著（psi_SS = XX, p > .05）意味着个体间在增长速率上没有显著差异——虽然全样本均值斜率可能显著（即有显著的平均增长趋势），但每个人增长的速度大体一致，不存在"有人增长快有人增长慢"的实质性个体差异。在这种情况下：（1）不能再检验截距-斜率相关（因为斜率方差接近零，相关估计不稳定）；（2）如果希望解释协变量对斜率的影响，统计功效很低，需谨慎解读；（3）可以考虑删去斜率方差参数（即固定为零），得到更简约的等增长速率模型。ChatSRS会在输出中自动提示斜率方差不显著时的处理建议。

Q4：样本量不够（< 200）能跑LGM或CLPM吗？

A：SEM系列模型对样本量有较高要求。经验标准：LGM建议每个自由参数至少10个被试，一个简单的线性LGM有5-6个自由参数，理论最低约50-60人，但稳健估计建议200人以上；CLPM的参数更多，三时点双变量模型建议至少150-200人。样本量不足时，标准误会偏大，参数估计不稳定，CFI/RMSEA等拟合指标也可能失真。如果样本量真的有限，可以考虑：（1）减少时点数（从4波压缩到3波）；（2）用贝叶斯SEM（加入合理先验），对小样本更稳健；（3）结合Bootstrap置信区间报告，增加估计可信度。ChatSRS在检测到样本量偏小时会自动给出警示和替代建议。

Q5：LGM的测量误差方差应该设置等同约束还是自由估计？

A：这是LGM中一个实践争议点。等同约束（跨时点测量误差相等）是更简约的做法，减少了需要估计的参数，模型自由度更大，但如果不同时点的测量情境差异较大（如问卷改版、测量时间不同），等同约束可能不合适。自由估计则允许每个时点有不同的测量误差，模型更灵活，但参数更多，适合时点数较少（3-4波）的情况。实践建议：先拟合等同约束模型，再拟合自由估计模型，用LRT（似然比检验）或delta-CFI比较——若差异不显著（delta-CFI < .01），保留等同约束的简约模型。ChatSRS默认先跑等同约束版本，并在输出中附带自由估计版本的拟合对比。

小结

纵向追踪数据有两个不同层次的问题：增长轨迹建模（LGM）和双变量纵向因果（CLPM）。

LGM：适合量化"均值增长速率"和"个体差异程度"，并检验截距/斜率的影响因素；核心参数是截距均值、斜率均值、截距方差、斜率方差与截距-斜率协方差
CLPM：适合检验两个变量随时间的相互影响（交叉滞后效应），区分谁是"原因"谁是"结果"；关键指标是控制自回归后的标准化交叉滞后beta系数

两种方法都在SEM框架下运行，支持FIML缺失数据处理，并能输出符合APA 7th格式的三线表和文字描述。在 chatsrs.com 用一句自然语言指令，即可一次性获得从模型设定、拟合诊断到结果报告的全套输出，无需手写任何lavaan/Stata语法。