PSYCH统计实验室
Vol.1
引言
随机截距交叉滞后模型(Random-Intercept Cross-Lagged Panel Model, RI-CLPM)是研究纵向数据中个体内变化与个体间差异的重要工具。与传统交叉滞后模型（CLPM）不同，RI-CLPM能够将随机截距从个体内动态变化中分离出来，从而更精准地探讨滞后效应和稳定性。
在实际研究中，时间不变变量(Time-Invariant Predictors; TIPs)的引入尤为重要。例如，社会经济地位(SES)或个体人格特质可能对研究变量产生影响。本期内容聚焦于RI-CLPM中如何加入时间不变变量，并详细讲解以下两种实现方法：
1. 时间不变变量作为观测变量的预测变量；
2. 时间不变变量作为随机截距的预测变量。
通过逐行解析代码，帮助研究者清晰理解两种方法的区别及其实现。
Vol.2
方法选择
在随机截距交叉滞后模型中，选择时间不变变量预测观测变量还是时间不变变量预测随机截距主要取决于研究的理论目标和假设。以下是两种方法的对比：
1. 时间不变变量预测观测变量(TIPs of Observed Variables)
a. 这种方法假定时间不变变量z1会直接作用于每个时间点的观测变量(x1−x5和y1−y5)。
b. 适用于关注时间不变变量的短期效应或即时影响。
2. 时间不变变量预测随机截距(TIPs of Random Intercepts)
a. 这种方法假定时间不变变量z1的作用体现在随机截距RIx和RIy上，即个体长期稳定水平的差异由时间不变变量决定，而不是直接影响每波观测变量。
b. 适用于关注时间不变变量的长期效应或总体影响。
可以在模型比较中同时运行两种模型，使用模型拟合指标（如AIC、BIC）和理论支持来选择最优模型。
Vol.3
模型解析与代码逐行注释
1. 时间不变变量预测观测变量(TIPs of Observed Variables)
以下代码将时间不变变量z1作为所有观测变量(x, y)的外部预测变量，逐行注释如下：
2. 时间不变变量预测随机截距 (TIPs of Random Intercepts)
以下代码将时间不变变量z1的影响限定为随机截距RIx和RIy：
Vol.4
结语
通过灵活选择方法，研究者可以更精准地回答理论问题。需要进一步讨论或具体应用，欢迎留言！
PSYCH统计实验室
通知公告
1、Psych统计自习室寒假培训班火热报名中！
2、网络分析课程目前开放视频课啦
单次课200元/讲（学生），250元/讲（非学生）
共有四讲内容：
①横断面网络分析简介与基础
②网络分析与因子分析
③交叉滞后网络分析
④时间序列网络分析
购买后开放视频权限14天，可多次申请。
并赠送所有课程相关资料（无PPT）
如果想申请购买，请联系M18812507626
更多资讯
关注我们
文稿：厚朴大师
排版：Little Star
责编：Wink
审核：摘星
本文由“Psych统计自习室”课题组原创，欢迎转发至朋友圈。如需转载请联系后台，征得作者同意后方可转载。
