企业官网建设流程全解析

网站建站 公司无锡,网站的文件夹,龙岗区建设工程交易中心,视频上传下载网站建设源自风暴统计网#xff1a;一键统计分析与绘图的AI网站交叉滞后模型(Cross-Lagged Panel Model, CLPM)常被用来检验纵向数据中的因果效应#xff0c;被广泛应用于心理学、医学、社会科学等领域。然而#xff0c;近期美国密歇根州立大学教授、《人格与社会心理学杂志(JPSP)》…源自风暴统计网一键统计分析与绘图的AI网站交叉滞后模型(Cross-Lagged Panel Model, CLPM)常被用来检验纵向数据中的因果效应被广泛应用于心理学、医学、社会科学等领域。然而近期美国密歇根州立大学教授、《人格与社会心理学杂志(JPSP)》主编Richard E. Lucas发表一篇预印本论文对此方法提出尖锐的批评。他对随机选出的变量进行交叉滞后模型分析发现98%的模型竟然都是显著的由此提出交叉滞后模型根本不宜用来检验纵向因果效应。事实上这已经不是Lucas教授第一次锤它了。他于2023年在《Advances in Methods and Practices in Psychological Science》上发文指出“有人主张经典交叉滞后在一些情况下可用而我认为在任何情况下它都不可用。”2025年他在《European Journal of Personality》上继续发文批驳检测交叉滞后模型的虚假效应。交叉滞后模型到底有什么问题如果这种方法要被舍弃有什么其他替代方法交叉滞后经典模型回顾横断面研究因无法确定变量的先后关系而被批评研究者转而追踪两个变量在两个以上时间点的测量结果以此推断因果路径。它的基本模型如下x、y都测量了2次主要包括三类关系自回归路径同一变量在不同时间点的关系如Y₁与Y₂交叉路径不同变量在不同时间点的关系如X₁预测一段时间后的Y₂同步相关不同变量在同一时间点的关系如X₁与Y₁。交叉滞后模型的特色在于它能控制自回归效应。举个例子若想研究收入和幸福感的关系第二次测量的幸福感高可能并不是因为先前的收入高而是因为第一次测量的幸福感也高。所以可以运用统计手段把Y₁对Y₂控制住如果X₁对Y₂的效应仍然显著意味着X₁对Y₂做出了超越Y₁对Y₂的增益贡献。交叉滞后模型真的有用吗1.存在的主要问题Lucas教授首先介绍了CLPM存在的主要缺陷混淆了个体间Between-person和个体内Within-person效应。个体间效应不同个体之间稳定的差异例如收入高的人比收入低的人更幸福个体内效应个体围绕自己平均水平的波动例如某个人在收入高的年份比收入低的年份更幸福在交叉滞后模型的框架下个体长期平均水平之间的相关会被误认为是跨时间的因果效应。比如第二次测量时小A比小B的幸福感高可能并不是因为先前的收入高而是因为小A的幸福水平本来就比较高。另外该模型的问题还包括“状态”变异该变异存在于某一时间点但不延续到未来的测量中。2.出现虚假因果关系的概率Lucas教授采用澳大利亚家庭、收入与劳动力动态 (HILDA) 调查的数据选取了相关系数在 0.20–0.70 之间的500对变量之后从中随机抽取 100 对进行CLPM分析要求至少包含连续5波数据。除了CLPMLucas教授另外检验了以下3种模型RI-CLPM为X和Y引入随机截距的潜变量反映人与人之间差异的稳定特质ARTS引入状态因素STARTS引入稳定特质因素和状态因素。结果显示98% 的CLPM模型至少有一个方向的交叉滞后效应显著91%的模型两个方向均显著中位数效应大小为 0.098大于以往文献中交叉滞后效应的中位数0.07。RI-CLPM 的显著比例下降ARTS 与 STARTS 更低。Lucas教授还进行了低相关变量对测试发现即使变量对相关系数低于0.20仍有63%的CLPM模型著效应。这些结果表明CLPM 几乎总是产生显著效应即使变量对是随机选择的它无法提供严格的因果检验。有何替代解法和应对之策基于以上分析和结果Lucas教授认为研究者应避免仅依赖CLPM进行因果推断可以使用其他模型替代如 RI-CLPM、ARTS 或 STARTS同时谨记各模型仍有局限之处若不同模型结果不一致如RI-CLPM显著而ARTS不显著需提供理论与实证依据支持所选模型。其实跳出模型本身CLPM 最大的问题或许在于研究者在使用时缺乏因果推断的思维方式在建模时研究者除了控制一些基本的人口学变量有没有系统地考虑潜在的未测混杂因素有没有绘制有向无环图Directed Acyclic Graph来明确假设的因果结构是否进一步评估当遗漏的混杂因素与 X 和 Y 的相关程度达到何种程度时回归结果中 X 对 Y 的效应才会降为零或失去统计显著性当这些工作都做到位再加上运用更合理的统计模型因果推断才能令人信服。参考文献Lucas, R. E. (2025). The Cross-Lagged Panel Model Almost Always Provides Evidence for Causal Effects.关于郑老师团队及公众号【因果推断与机器学习】未来医学科研的大势所趋临床、护理、公卫的朋友们2026年将是诸位因果推断方法革新的一年。郑老师团队推出“因果推断与机器学习”训练营丰富的因果推断方法教学课程理论结合R语言实操覆盖从基础到进阶的完整链条欢迎参加模块一理论1.流行病任务与因果推断2.因果推断与偏倚控制模块二回归与G方法3.回归的方法及其应用4.G方法及实践模块三倾向得分5.倾向得分方法6.倾向得分加权模块四机器学习7.机器学习理论8. 机器学习与 G方法9.机器学习与倾向得分模块五双重稳健估计方法10.双重稳健方法11.双重机器学习模块六TMLE方法12.TMLE 方法13.机器学习与 TMLE方法模块七缺失数据填补与因果推断14.缺失数据填补与机器学习15.缺失数据填补后双重稳健估计模块八中介分析与因果中介16.中介分析与因果中介17.双重稳健估计下的中介分析模块九处理效应异质性分析18.处理异质性分析方法19.因果森林方法报名训练营请添加郑老师助教微信咨询微信aq566665