统计百科 ·
潜增长模型/交叉滞后面板模型 APA 报告怎么写？— 增长参数、协方差、模型拟合指标全解
统计百科：专攻潜增长模型（LGM）与交叉滞后面板模型（CLPM）的 APA 7th 报告格式——截距/斜率均值与方差、协方差、交叉滞后路径系数、模型拟合指标（CFI/RMSEA/SRMR）的规范写法，附可直接套用的论文报告段落模板。
跑完纵向数据分析最难的不是建模，而是汇报：截距和斜率要写均值还是方差？协方差和相关系数都要报告吗？RMSEA 的 90% 置信区间必须写吗？交叉滞后路径系数和自回归系数分开报告还是放一起？这篇文章专攻潜增长模型（LGM）与交叉滞后面板模型（CLPM）的 APA 7th 报告格式，给出每个参数的规范写法和可直接套用的论文段落模板。
你的 LGM / CLPM 报告有这些问题吗？
审稿人或导师关于纵向 SEM 报告最常见的反馈：
- "请报告截距和斜率的均值与方差，仅报告均值不够"
- "截距-斜率协方差的含义是什么？请解释方向"
- "CFI 须 > .95 才达到良好拟合，请说明模型是否可接受"
- "RMSEA 的 90% 置信区间必须报告"
- "交叉滞后路径系数须注明控制了自回归效应"
- "RI-CLPM 和传统 CLPM 结论为何不同？请说明模型选择依据"
这些问题集中在 SEM 纵向分析报告的参数汇报和模型评价两个环节，却缺少专门针对 LGM 和 CLPM 的实操指南。本文只讲一件事：LGM 和 CLPM 的结果到底怎么规范写进论文。
如果还没看过姊妹篇 F 值的 APA 7th 报告写法，建议先读那篇了解基础格式规则（p 值不加前导零、效应量必报等），本文不再重复基础惯例。
一、两种模型是什么，有何区别
潜增长模型（Latent Growth Model，LGM）
LGM 属于结构方程模型（SEM）的纵向扩展，核心思想是把每个个体随时间的轨迹分解为：
- 截距因子（Intercept factor）：个体在起始时间点的水平（初始状态）
- 斜率因子（Slope factor）：个体随时间的变化速率（增长趋势）
LGM 回答的问题：
- 均值水平——总体的平均起点和平均增长速度是多少？
- 个体差异——不同人的起点和增长速度有多大差异？
- 协变——起点高的人增长更快还是更慢？（截距-斜率协方差）
适用场景：3 个及以上等距或非等距时间点，关注变量本身随时间的变化轨迹。
交叉滞后面板模型（Cross-Lagged Panel Model，CLPM）
CLPM 关注两个变量之间跨时间的互相预测关系，包含：
- 自回归路径（Autoregressive path）：变量在前一时间点对自身后一时间点的预测
- 交叉滞后路径（Cross-lagged path）：变量 A 在 t-1 时刻对变量 B 在 t 时刻的预测（控制 B 的自回归效应后）
CLPM 回答的问题：在控制个体先前水平的前提下，X 能否预测未来的 Y？Y 能否预测未来的 X？
经典 CLPM 的局限：将个体稳定的特质差异（个体间差异）与随时间变化的动态效应混在一起，可能夸大交叉滞后效应。随机截距 CLPM（RI-CLPM）（Hamaker 等，2015）通过增加随机截距因子分离个体间与个体内效应，是当前纵向研究的推荐做法。
二、模型拟合指标：APA 报告必须包含的要素
无论 LGM 还是 CLPM，APA 7th 要求报告完整的模型拟合指标。
必报拟合指标清单
| 指标 | 含义 | 可接受标准 | 良好标准 |
|---|---|---|---|
| chi-square (chi^2) | 模型与数据的拟合偏差 | p > .05（小样本）；大样本几乎必显著 | — |
| df | 自由度 | — | — |
| CFI | 比较拟合指数 | >= .90 | >= .95 |
| TLI | Tucker-Lewis 指数 | >= .90 | >= .95 |
| RMSEA | 近似均方根误差 | <= .08 | <= .06 |
| RMSEA 90% CI | RMSEA 置信区间 | 上限 <= .10 | — |
| SRMR | 标准化残差均方根 | <= .10 | <= .08 |
重要说明：
- chi-square 对样本量高度敏感，N > 200 时几乎必然显著，不能单独用于判断拟合优劣
- 建议以 CFI + RMSEA + SRMR 三指标组合评价拟合
- 比较竞争模型（如线性 vs. 非线性增长、传统 CLPM vs. RI-CLPM）时，报告 Delta CFI（差值）和 AIC/BIC
APA 格式：拟合指标报告句式
模型拟合指标表明数据与模型拟合[良好/可接受/不佳]：
chi^2(df) = X.XX, p [值], CFI = .XX, TLI = .XX,
RMSEA = .XX（90% CI [.XX, .XX]），SRMR = .XX。
三、潜增长模型（LGM）：各参数的 APA 报告格式
LGM 必须报告的参数
| 参数 | 含义 | 报告要素 |
|---|---|---|
| 截距均值（M_I） | 总体平均起点 | 均值 + SE + p 值 |
| 斜率均值（M_S） | 总体平均增长速率 | 均值 + SE + p 值（是否显著偏离 0） |
| 截距方差（Var_I） | 个体起点差异 | 方差 + SE + p 值（有无个体差异） |
| 斜率方差（Var_S） | 个体增长速率差异 | 方差 + SE + p 值 |
| 截距-斜率协方差（Cov_IS） | 起点与增长速率的关联 | 协方差 + SE + p 值 + 方向解读 |
| 残差方差 | 各时间点无法被增长因子解释的变异 | 通常在表格中列出 |
线性潜增长模型报告模板
情形：4 个时间点测量（T1-T4），N = 300，检验某心理变量随时间的线性增长趋势。
完整报告段落模板：
线性潜增长模型结果显示，模型拟合良好：
chi^2([df]) = X.XX, p [值], CFI = .XX, TLI = .XX,
RMSEA = .XX（90% CI [.XX, .XX]），SRMR = .XX。
截距因子均值显著（M_I = X.XX, SE = X.XX, p [值]），
表明[变量]在基线时的总体水平为 X.XX。
斜率因子均值显著（M_S = X.XX, SE = X.XX, p [值]），
表明[变量]随时间呈现出显著[增加/减少]趋势，
每个时间单位平均[增加/减少] X.XX 个单位。
截距方差显著（Var_I = X.XX, SE = X.XX, p [值]），
斜率方差显著（Var_S = X.XX, SE = X.XX, p [值]），
表明不同个体在[初始水平/增长速率]上存在显著的个体差异。
截距与斜率的协方差[显著/不显著]（Cov_IS = X.XX, SE = X.XX, p [值]），
[初始水平较高的个体，其随后的增长速率更[快/慢]/
初始水平与增长速率之间无显著关联]。
填入数值的示例：
线性潜增长模型结果显示，模型拟合良好：chi^2(5) = 7.84，p = .165，CFI = .997，TLI = .993，RMSEA = .043（90% CI [.000，.092]），SRMR = .038。截距因子均值显著（M_I = 3.42，SE = 0.09，p < .001），表明抑郁症状在基线时的总体水平为 3.42 分。斜率因子均值显著（M_S = -0.31，SE = 0.05，p < .001），表明抑郁症状随时间呈现出显著降低趋势，每个时间点平均减少 0.31 个单位。截距方差显著（Var_I = 0.87，SE = 0.12，p < .001），斜率方差显著（Var_S = 0.08，SE = 0.02，p = .003），表明个体在基线抑郁水平和随时间的改善速率上均存在显著差异。截距与斜率的协方差显著为负（Cov_IS = -0.18，SE = 0.06，p = .006），表明基线抑郁水平较高的个体随后的改善速率更快。
非线性（二次）潜增长模型补充说明
当增长轨迹非线性时，加入二次斜率因子（Quadratic slope）：
二次潜增长模型优于线性模型（Delta CFI = .023，Delta RMSEA = -.031，
chi^2 差异检验：Delta chi^2([delta_df]) = XX.XX, p [值]）。
线性斜率均值显著（M_S1 = X.XX, SE = X.XX, p [值]），
二次斜率均值显著（M_S2 = X.XX, SE = X.XX, p [值]，为负值），
表明[变量]呈现先增后减的倒 U 型增长轨迹。
四、交叉滞后面板模型（CLPM）：各参数的 APA 报告格式
CLPM 必须报告的参数
| 参数类型 | 含义 | 报告格式 |
|---|---|---|
| 自回归系数 | X(t-1) → X(t) 的预测效应 | standardized beta + SE + p 值 |
| 交叉滞后系数 | X(t-1) → Y(t) 的预测效应（控制 Y(t-1)） | standardized beta + SE + p 值 |
| 同期相关 / 残差相关 | 同一时间点 X 与 Y 的相关 | r + p 值 或残差协方差 |
| T1 变量相关 | 基线两变量的相关 | r + p 值 |
传统 CLPM 报告模板
情形：两变量（工作压力 X、睡眠质量 Y），4 个时间点，N = 280。
完整报告段落模板：
交叉滞后面板模型结果显示，模型拟合[良好/可接受]：
chi^2([df]) = X.XX, p [值], CFI = .XX, TLI = .XX,
RMSEA = .XX（90% CI [.XX, .XX]），SRMR = .XX。
自回归效应均显著：[变量X]的自回归系数在各时间间隔保持稳定
（beta 范围 = .XX 至 .XX，均 p [值]）；[变量Y]同理（beta 范围 = .XX 至 .XX）。
交叉滞后路径分析显示，在控制[变量Y]自回归效应后，
[变量X]显著正向预测后续[变量Y]（beta = .XX, SE = X.XX, p [值]）；
[变量Y]对后续[变量X]的预测效应[显著/不显著]（beta = .XX, SE = X.XX, p [值]）。
填入数值的示例：
交叉滞后面板模型结果显示，模型拟合可接受：chi^2(22) = 31.47，p = .085，CFI = .978，TLI = .961，RMSEA = .038（90% CI [.000，.065]），SRMR = .046。自回归效应均显著，工作压力的自回归系数在各时间间隔较为稳定（beta 范围 = .48 至 .56，均 p < .001），睡眠质量同理（beta 范围 = .44 至 .53，均 p < .001）。交叉滞后路径分析显示，在控制睡眠质量自回归效应后，工作压力显著负向预测后续睡眠质量（beta = -.19，SE = 0.05，p < .001）；睡眠质量对后续工作压力的预测效应不显著（beta = -.07，SE = 0.05，p = .163）。结果提示，工作压力对睡眠质量的纵向负向影响显著，但反向效应不显著，支持工作压力是睡眠问题先行因素的理论假设。
随机截距 CLPM（RI-CLPM）报告补充
RI-CLPM 分离了个体间（between-person）与个体内（within-person）效应，报告时须说明：
为区分个体间稳定差异与个体内动态变化，本研究采用随机截距交叉滞后面板模型
（RI-CLPM；Hamaker et al., 2015）。相较于传统 CLPM，RI-CLPM 拟合显著更优
（Delta chi^2([delta_df]) = XX.XX, p [值]，Delta CFI = .XX）。
在个体内水平（within-person level），控制随机截距因子后，
工作压力的个体内变动显著负向预测后续睡眠质量的个体内变动
（beta_within = .XX, SE = X.XX, p [值]）；
反向效应不显著（beta_within = .XX, p [值]）。
注：传统 CLPM 报告的交叉滞后效应（beta = -.19）与 RI-CLPM 个体内效应（beta_within = -.13）
存在差异，说明传统模型可能将部分个体间稳定特质差异误读为纵向动态效应。
五、增长参数的协方差矩阵如何在论文中呈现
表格格式（推荐与模型拟合指标同表）
LGM 中，截距因子和斜率因子的参数通常以表格呈现：
| 参数 | 估计值 | SE | p 值 |
|---|---|---|---|
| 截距均值（M_I） | 3.42 | 0.09 | < .001 |
| 斜率均值（M_S） | -0.31 | 0.05 | < .001 |
| 截距方差（Var_I） | 0.87 | 0.12 | < .001 |
| 斜率方差（Var_S） | 0.08 | 0.02 | .003 |
| 截距-斜率协方差（Cov_IS） | -0.18 | 0.06 | .006 |
APA 表格标注要求：
- 表格标题注明估计方法（如"极大似然估计，MLR 稳健标准误"）
- 标准误 SE 须为模型估计的标准误，不是描述统计的标准差
- 协方差旁加注脚说明方向含义："负值表明初始水平越高，增长速率越慢"
方差对标准差的转换报告
部分期刊要求将方差转为标准差（SD = sqrt(Var)）报告，格式为：
截距因子标准差（SD_I = X.XX），提示个体间在初始水平上的差异约为 X.XX 个单位。
六、方法章节：如何说明使用了 LGM 或 CLPM
LGM 方法章节标准描述
采用潜增长模型（Latent Growth Model，LGM；Meredith & Tisak，1990）
检验[变量]随时间的增长轨迹。首先建立无条件线性增长模型，
以截距因子代表个体在 T1 的初始水平，斜率因子代表线性增长速率；
若线性模型拟合不佳，加入二次斜率因子检验非线性趋势。
模型拟合评价依据 CFI >= .95、RMSEA <= .06 和 SRMR <= .08 标准。
采用极大似然估计（MLR）以应对数据的非正态性；
缺失数据使用全信息极大似然（FIML）处理。
所有分析在 ChatSRS 平台（SEM 引擎，基于 R/lavaan）完成，
显著性水平设为 alpha = .05。
CLPM / RI-CLPM 方法章节标准描述
为检验[变量X]与[变量Y]之间的纵向双向预测关系，
构建随机截距交叉滞后面板模型（RI-CLPM；Hamaker et al.，2015）。
该模型通过引入随机截距因子分离个体间稳定特质差异与个体内动态效应，
以获得更为精确的交叉滞后路径估计。
将交叉滞后路径设置为跨时间等值约束（即时间稳定性假设），
若约束模型与非约束模型差异显著（Delta chi^2 检验 p < .05 或 Delta CFI > .01），
则释放约束以反映时间变化效应。
模型拟合以 CFI、TLI、RMSEA（含 90% CI）及 SRMR 综合评价。
统计分析在 ChatSRS 平台（SEM 引擎，基于 R/lavaan）完成。
七、在 ChatSRS 一句话获得规范 LGM / CLPM 报告
打开 chatsrs.com，上传纵向数据后输入：
"对 4 个时间点（T1-T4）的[变量名]拟合线性潜增长模型（LGM），输出截距均值和斜率均值（含 SE 和 p 值）、截距方差、斜率方差、截距-斜率协方差，以及 CFI、TLI、RMSEA（含 90% CI）和 SRMR 拟合指标，给出符合 APA 7th 格式的完整论文报告段落，包含参数解读和模型拟合说明。"
若需要 RI-CLPM，指令可写为：
"对[变量X]和[变量Y]的 4 波纵向数据拟合随机截距交叉滞后面板模型（RI-CLPM），报告个体内水平的自回归系数和交叉滞后路径系数（均为标准化系数，含 SE 和 p 值），同时报告随机截距方差及模型拟合指标（CFI/TLI/RMSEA/SRMR），给出 APA 7th 格式报告段落并说明与传统 CLPM 的差异。"
ChatSRS 自动完成 SEM 建模、参数提取和报告撰写，指令对应 ChatSRS 内置的 lgm_clpm 分析模块（编号 68 以内），数值自动填入 APA 模板，可直接复制进论文。
八、常见错误对照表
| 常见错误 | 正确写法 | 说明 |
|---|---|---|
| 只报告截距/斜率均值，不报告方差 | 均值 + 方差均须报告 | 方差是个体差异存在与否的关键证据 |
| 协方差不说明方向含义 | 须文字解读正/负协方差的实质意义 | 协方差数字本身无直觉含义 |
| 只报告 chi^2 显著性判断拟合 | CFI + RMSEA + SRMR 组合评价 | 大样本 chi^2 几乎必然显著 |
| RMSEA 不报告 90% CI | RMSEA = .XX（90% CI [.XX, .XX]） | APA 7th 和主要期刊均要求 CI |
| 交叉滞后系数未说明控制了自回归 | "在控制 Y(t-1)的自回归效应后" | 未说明会误导读者认为是零阶相关 |
| 传统 CLPM 与 RI-CLPM 结论不同但不解释 | 须说明两者差异及模型选择依据 | 个体间效应被混入是经典陷阱 |
| 标准化系数与非标准化系数混报 | 选定后统一，并在方法章节说明 | 混用导致比较无意义 |
| 残差方差全部不报 | 至少在表格注脚或附录中列出 | 有些期刊要求完整参数表 |
常见 FAQ
Q：LGM 的斜率因子均值不显著（p > .05），说明变量没有随时间变化吗？
A：不完全是。斜率均值不显著说明总体平均增长趋势不显著偏离零，但这不等于个体没有变化。如果斜率方差显著，说明有些人增加了、有些人减少了，个体轨迹存在差异，只是平均起来相互抵消。正确的报告方式是：同时呈现均值和方差，并分别解读群体趋势和个体差异。
Q：RI-CLPM 和传统 CLPM 得出的交叉滞后系数差别很大，以哪个为准？
A：理论上，RI-CLPM 更为推荐，因为它分离了个体间稳定差异（如人格特质导致某些人工作压力一直高、睡眠质量一直差）与个体内动态效应（某个体某个时期压力上升后睡眠变差）。传统 CLPM 将两者混在一起，可能夸大交叉滞后效应。Hamaker 等（2015）已在 Psychological Methods 论文中系统论证这一点。报告中建议同时呈现两种模型的结果，并以 Delta CFI / AIC / BIC 说明 RI-CLPM 更优，以此作为选择依据。
Q：RMSEA > .08 但 CFI = .96，模型拟合算好还是不好？
A：这是常见的"拟合指标冲突"情形。单一指标不能决定拟合好坏，建议：(1) 检查 RMSEA 的 90% CI 上限是否 <= .10；(2) 查看残差矩阵（modification indices），判断是否有局部拟合问题；(3) 对照竞争模型（如增加因子或路径后），看 Delta CFI 是否改善。在方法章节说明："尽管 RMSEA 略超出 .08 的标准，CFI 和 SRMR 均达到良好拟合标准，结合 Hu 和 Bentler（1999）的多指标评价建议，认为当前模型拟合可接受。"
Q：缺失数据怎么在 LGM/CLPM 报告里说明？
A：纵向数据天然存在缺失（流失），须在方法章节说明处理方法。最常用的是全信息极大似然（FIML），它无需填充缺失值，直接在似然函数中利用所有可用数据。APA 报告格式：
纵向数据存在部分缺失（T1 缺失率 0%，T2 缺失率 X%，T3 缺失率 X%，T4 缺失率 X%），
采用全信息极大似然（Full Information Maximum Likelihood，FIML）估计，
以充分利用所有可用观测数据并获得无偏参数估计。
Q：论文只有 3 个时间点，能做 LGM 吗？
A：可以，但有约束。三波数据的线性 LGM 自由度为零（恰好识别），无法评估模型拟合。解决方案：(1) 将各时间点的残差方差设为等值约束，以增加自由度；(2) 在报告中说明"由于仅有三个时间点，线性 LGM 为恰好识别模型（df = 0），模型拟合评价通过与替代模型的比较进行"；(3) 若关注点主要是增长趋势显著性而非拟合优劣，三波数据仍可报告截距和斜率参数。
快速参考：LGM / CLPM 报告格式速查卡
[LGM — 核心参数]
截距均值: M_I = X.XX (SE = X.XX), p [值]
斜率均值: M_S = X.XX (SE = X.XX), p [值]（检验增长趋势方向与显著性）
截距方差: Var_I = X.XX (SE = X.XX), p [值]（个体间起点差异）
斜率方差: Var_S = X.XX (SE = X.XX), p [值]（个体间增长速率差异）
截距-斜率协方差: Cov_IS = X.XX (SE = X.XX), p [值] + 方向解读
[CLPM — 核心参数]
自回归: X(t-1) → X(t): beta = .XX (SE = X.XX), p [值]（通常须跨时间等值约束）
交叉滞后: X(t-1) → Y(t): beta = .XX (SE = X.XX), p [值]（控制 Y 自回归后）
注明是否标准化系数
[RI-CLPM 补充]
须说明个体内水平（within-person）效应
随机截距方差：Var_RI_X, Var_RI_Y + 两者相关
[模型拟合（均须报告）]
chi^2([df]) = X.XX, p [值]
CFI = .XX, TLI = .XX
RMSEA = .XX（90% CI [.XX, .XX]）
SRMR = .XX
（竞争模型比较时加报 Delta CFI、Delta RMSEA、AIC/BIC）
[估计方法]
说明使用 ML / MLR / WLSMV 及缺失数据处理（FIML）
相关阅读
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。