重要学术成果推介

 教育心理学系肖悦博士、顾昕博士在心理学方法权威期刊Psychological Methods在线发表2篇论文。肖悦博士的论文题目为：Assessing intra- and inter-individual reliabilities in intensive longitudinal studies: A two-level random dynamic model-based approach，提出了密集型追踪研究中的信度评估新方法——基于两水平随机动态测量模型的方法，论文合作作者为北京师范大学心理学部刘红云教授团队。顾昕博士的论文题目为Testing informative hypotheses in factor analysis models using Bayes factors，提出了因子分析模型中因子负荷的信息假设评估新方法——贝叶斯因子检验，论文合作作者为中山大学心理学系潘俊豪教授团队。

论文一

Xiao, Y., Wang, P., & Liu, H. (2023). Assessing intra- and inter-individual reliabilities in intensive longitudinal studies: A two-level random dynamic model-based approach. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000608

题目

 密集型追踪研究中个体内和个体间信度的评估——基于两水平随机动态模型的方法

摘要

 密集型追踪研究因在短期内对个体进行频繁、密集地测量，适合用于探究个体内部心理过程的动态变化及其作用机制与个体间差异，已成为近年来心理学领域的一大热点。但是，由于测量时间点非常密集，这类研究中使用的测验工具通常很短，很容易受到测量误差的影响，因此这些测量的心理测量学属性，例如信度，非常值得关注。但是，已有的大多数信度评估方法或是混淆了个体内和个体间水平的变异，或是难以处理个体间差异，并不适用于密集型追踪数据。同时，在密集型追踪数据的建模方法中，测量模型总是被轻视或是直接被忽略。本研究定义了一个在密集型追踪情境下考虑所关注变量的测量模型的方法——两水平随机动态测量模型（two-level random dynamic measurement model，简称为2RDM模型)。该模型建立于密集型追踪数据的常用分析方法之一——动态结构方程模型（dynamic structural equation modeling, DSEM）的框架下，能够有效分离变量的个体内和个体间水平变异。基于2RDM模型，本文讨论了如何进行方差分解，推导出项目和量表的个体内与个体间信度。通过一个小的模拟研究，展现了2RDM模型在Mplus软件中的实现及信度指标的估计准确性。并且，本文将所提出方法应用于简版的感知压力量表（Perceived Stress Scale, PSS），以说明该方法对于多维量表的实际应用。使用基于实际数据的2RDM模型参数估计值，计算了PSS每个项目以及分量表的个体内和个体间信度。结果显示，尽管PSS各项目以及分量表的个体间信度较高，均达到0.7以上，但是个体内信度都存在很大的个体间差异，也即，对于一部分人来说，该工具并不能可靠地测量出其实际状态的波动。最后，本文讨论了所提出方法在实践中的优势与注意事项。

关键词

 个体内信度，个体间信度，密集型追踪数据，两水平随机动态测量模型，个体间差异

论文二

Gu, X., Zhu, X., Zhang, L., & Pan, J. (2023). Testing informative hypotheses in factor analysis models using Bayes factors. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000627

题目

 因子分析模型中的信息假设贝叶斯因子评估

摘要

 信息假设表达研究者关于模型参数大小关系的理论。信息假设包括不等式假设p1 > p2 > p3和等式假设p1 = p2 = p3，以及它们的混合形式p1 = p2 > p3，其中p表示模型参数。在因子分析模型中，评估关于因子负荷的信息假设可以解决许多心理测量问题。例如，在信度分析中，研究者可以通过检验因子负荷的等式假设，即tau equivalence检验，作为使用Cronbach’s alpha系数的前提。在效度分析中，研究者可以通过比较特定指标的主负荷与交叉负荷的大小，来判断题项的区分效度。此外，评估某个因子的各负荷次序大小，可以明确各指标在测量该因子时的相对重要性。本研究提出因子分析模型中的贝叶斯信息假设评估方法，使用贝叶斯因子检验信息假设是否受到数据的支持。贝叶斯信息假设评估的关键是先验分布的设置和贝叶斯因子的计算。对于因子分析模型，本研究设置因子负荷的条件正态分布，以及测量误差方差、潜变量方差的逆Wishart分布，并使用训练样本(training sample)估计以上分布的先验参数。根据Savage-Dickey密度比方法，信息假设的贝叶斯因子可表示为因子负荷的后验密度与先验密度在假设限制下的比值。本研究在MCMC抽样的每一步计算因子负荷的条件密度，即条件正态密度。因子负荷的后验或先验密度等于MCMC抽样中其条件密度的均值。模拟研究验证了贝叶斯信息假设评估的有效性、准确性和一致性。最后，本研究以因子分析模型的经典例子展示因子负荷信息假设的贝叶斯因子检验步骤和结果解读。

关键词

 贝叶斯因子，交叉负荷，信息假设，因子分析

 教育心理学系始终把师资队伍建设作为提高教学水平、保证人才培养质量的关键。为青年教师搭建多维成长平台，引导教师潜心科研、热心教学，推进“教研相长”。建成一支科研能力突出、教学水平优秀的教师队伍。

~END~