5.5 纵向 / 日记 / ESM

本节目标

读完本节后，你能把变化问题转成合适的时间设计，区分波次、日记与经验采样，规划提示和依从记录，分开被试内与被试间效应，并按真实时间结构分析缺失、滞后与不确定性。

5.5.1 先说清要研究哪一种变化

纵向研究对同一观测单位在多个时间点重复测量。它能描述变化、建立时间先后并研究个体差异，但“先发生”只是因果解释的必要条件之一；未测混杂、选择性流失、测量反应和错误时间尺度仍可能产生非因果关联。

先把问题写成可估计的形式：

问题	例子	需要的设计信息
平均轨迹	新生归属感在一学年如何变化？	至少多个有理论意义的波次；时间起点与间隔
轨迹差异	哪些人的变化更快？	足够的参与者和波次；时间不变预测变量
被试内共变	一个人比自己平常更孤独时，是否也更少互动？	同一人的多次测量；状态变量与测量时点对齐
滞后预测	今日压力是否预测明日睡眠？	预先指定滞后、时间戳和足够连续的观测
事件过程	冲突发生前后情绪如何变化？	事件定义、触发窗口和无事件时段的比较

观测单位通常是一名参与者在一个时点的一次记录，记录嵌套于参与者；还可能嵌套于家庭、团队或测量批次。变量要标明层级：性别等稳定属性在被试间变化，今日压力同时包含被试内波动和人与人之间的平均差异。

5.5.2 选择波次、日记或 ESM

设计	典型采样	适合的问题	主要风险
面板/队列	间隔较长的若干波次	发展、转变、长期相互预测	波次过少、间隔与过程不匹配、流失
每日日记	每日固定时段一次或数次	当日经历、总结性状态和短期累积	回忆偏差、周内规律、漏填后补
经验采样/EMA	随机、半随机或固定提示	当下状态、情境与快速被试内过程	负担、打扰、提示反应和时间自相关
事件触发记录	指定事件发生后填写	稀有或有明确起点的事件过程	漏报事件、事件定义不一致
测量突发	多段密集测量，中间间隔较长	长期变化中的短期动态	突发段之间可比性和复杂层级

“测得更频繁”不自动更好。测量间隔应覆盖理论过程：若反应在数分钟内消退，每周测量无法识别它；若变化以月为单位，过密提示可能只增加负担。预试参与者完成时间、提示干扰和回答类别分布，再确定频率与持续天数，不使用脱离情境的固定次数规则。

5.5.3 把时间和采样计划写进方案

时间不是简单的第 1、2、3 次。记录计划发送时间、实际打开时间、提交时间、时区和事件时间；明确可接受响应窗口及跨日规则。若间隔不等，模型中的时间变量应使用真实经过时间，并说明单位是小时、天还是月。

经验采样常见方案包括：

信号触发：在预定窗口随机提示，适合估计日常状态分布；
固定间隔：在固定时刻提示，执行简单，但可能与日程系统性重合；
事件触发：由参与者在事件后启动，贴近过程但依赖事件识别和报告；
混合方案：同时记录随机时点与关键事件，需要区分两类记录的纳入概率。

启动前固定静默时段、重发规则、过期规则、奖励、退出方式和异常事件处理。保存实际提示日志，而不只保存成功提交的数据，否则无法区分“没有提示”“提示未送达”和“参与者未回应”。涉及定位、通讯录或被动传感时，数据最小化、权限与风险响应见 2.6 研究伦理。

5.5.4 分开被试内与被试间效应

若 $X_{i t}$ 是参与者 $i$ 在时点 $t$ 的状态，把它拆成个人均值 ${\bar{X}}_{i}$ 与个人均值中心化项 $X_{i t} - {\bar{X}}_{i}$ ：

Y_{i t} = β_{0} + β_{W} (X_{i t} - {\bar{X}}_{i}) + β_{B} {\bar{X}}_{i} + u_{0 i} + e_{i t} .

$β_{W}$ 回答“同一个人在 $X$ 高于自己平常水平时， $Y$ 如何变化”； $β_{B}$ 回答“平均 $X$ 较高的人是否也有较高的平均 $Y$ ”。两者可能大小不同甚至方向相反。直接把原始 $X_{i t}$ 放进模型，常会混合这两个问题。模型基础与随机斜率见 3.6 多层 / 混合效应模型。

滞后模型还需要明确顺序。例如用 $X_{i, t - 1}$ 预测 $Y_{i t}$ 时，要决定是否控制 $Y_{i, t - 1}$ 、日内周期、周末和不等间隔。一个固定的“一阶滞后”在随机提示数据中可能对应不同的实际分钟数；若过程依赖真实时间，应使用实际间隔或连续时间模型。

5.5.5 模型要与问题和结果匹配

平均轨迹：线性或非线性增长模型估计起点、变化率及个体差异。时间零点决定截距含义；只有足够波次与覆盖范围时，复杂曲线才可识别。
密集重复测量：混合效应模型或广义混合模型分开被试内/间效应，并允许随机截距、合理的随机斜率和残差自相关。
多变量跨波关系：传统交叉滞后面板模型可能把稳定的人际差异混入滞后路径。若问题针对被试内偏离，可考虑随机截距交叉滞后模型或其他显式分解模型，并说明其平稳性、测量与时间间隔假设（Hamaker et al., 2015）。
事件或生存过程：结果是首次发生、复发或等待时间时，应使用与删失和风险集相符的事件史模型，而不是把“是否发生”压成普通连续结果。

连续、二分类、计数和有序结果需要不同分布与链接。选择模型前画每人的时间序列、总体轨迹、观测间隔和缺失图；模型收敛不能替代这些诊断。