Why the Cross-Lagged Panel Model Is Almost Never the Right Choice

Сегодня мы хотим представить статью Why the Cross-Lagged Panel Model Is Almost Never the Right Choice, вышедшую в журнале Psychological Science в 2023 году.

Lucas, R. E. (2023). Why the cross-lagged panel model is almost never the right choice. Advances in Methods and Practices in Psychological Science, 6(1), 25152459231158378.

Сross-lagged panel models (CLPM) являются одним из самых популярных методов для оценки связи между переменными на основе лонгитюдных данных. В самом распространенном варианте CLPM предполагает возможность оценки того, как одна переменная (предиктор) в первом замере предсказывает значения второй переменной (результирующая переменная) во втором замере , при контроле предыдущих значений результирующей переменной. Эта модель позволяет оценить не только перекрестные (как переменная 1 предсказывает переменную 2), но и авторегрессивные связи (например, как переменная 1 в первом замере предсказывает саму себя в момент времени 2). (Примечание: При этом значения авторегрессивных коэффициентов иногда ошибочно интерпретируется как показатель стабильности измеряемой черты). Простота модели и ограниченные требования к данным привели к тому, что эта модель стала очень широко использоваться для ответа на вопросы о причинных связях между переменными, не только в психологии, но и в других науках. Например, Usami, Murayama, and Hamaker (2019) в своем обзоре статей, вышедших в медицинских журналах с 2009 по 2019 годы обнаружили 270 статей, использующих этот подход.

Тем не менее, некоторые авторы указывают на то, что такие модели не оценивают адекватно ассоциации на уровне стабильных черт (stable-trait-level associations). Они обращают внимание на то, что использование этих моделей не позволяет разделить меж-индивидуальную дисперсию от внутри-индивидуальных изменений.

Для того, чтобы разделить два источника дисперсии, была предложена альтернативная модель  -  random-intercept CLPM (RI-CLPM) (например, Hamaker et al., 2015). Основное различие между двумя типами моделей состоит в том, что RI-CLPM включает фактор random intercept, который учитывает  неизменяющуюся во времени стабильную черту («time-invariant, trait-like stability»), за счет этого позволяя отделить меж-индивидуальные и внутри-индивидуальные эффекты.

Однако другие исследователи, например Orth  et al. (2021), критикуют RI-CLPM, утверждая, что эта модель делает нереалистичное допущение о полной стабильности меж-индивидуальных различий, моделируемых в факторе random-intercept.

Автор статьи считает эти утверждения ошибочными, подчеркивая, что CLPM является «вложенной» в RI-CLPM, поскольку в  CLPM отсутствует один параметр – random intercept, отражающий стабильную характеристику. Если в данных нет устойчивых индивидуальных различий, RI-CLPM "схлопывается" в CLPM, и их результаты совпадают. Но если такие различия есть — а в психологии это частый случай — RI-CLPM предпочтительнее.

Также в статье рассматривается еще одна альтернативная модель — STARTS (Stable Trait, Autoregressive Trait, State), предложенная Kenny и Zautra (2001). В ней учитываются три источника дисперсии:

·       State — ситуативные флуктуации, характерные только для одного измерения;

·       Autoregressive trait — медленно меняющаяся черта, с частичной стабильностью;

·       Stable trait — полностью стабильная черта, одинаковая на всех волнах.

STARTS модель более гибкая, чем RI-CLPM, так как включает и state-компонент. Однако она требует больше волн данных и часто вызывает трудности при оценке модели.

Наконец, автор указывает, что современные подходы (например, Usami, 2021) рассматривают все эти модели — CLPM, RI-CLPM, STARTS — как частные случаи единой обобщённой модели, описывающей изменения. Это помогает понять, какие именно источники изменчивости отражает каждая модель и как выбрать наиболее подходящую.

Используя симуляционные и реальные данные (например, из австралийского HILDA panel study) автор показывает, что  CLPM может как завышать, так и занижать лонгитюдные эффекты — даже в реалистичных условиях. Это значит, что в некоторых случаях модель обнаруживает причинные связи там, где их нет, а в других — не находит их, когда они есть. Поэтому, по мнению автора, использовать CLPM для каузального анализа в большинстве случаев нецелесообразно, особенно если доступны три и более волны данных. В таких случаях стоит применять RI-CLPM, а если нет устойчивых черт (trait variance), то RI-CLPM автоматически «схлопнется» в CLPM — без искажения интерпретации.

Тем не менее, автор признает, что часто CLPM не имеет альтернативы, так как RI-CLPM не может быть использована при наличии только двух «волн» измерений (что является достаточно распространенной практикой). Автор подчеркивает, что 2 волны измерений недостаточно для оценки лонгитюдных связей. Он, в частности, ссылается на иерархию вопросов, которые могут быть решены в лонгитюдных исследованиях, предложенную Rogosa (1995):

1) Как изменяется одна черта со временем?

2) Каковы индивидуальные различия в изменении черты?

3) Оценка лонгитюдных связей между переменными и реципрокных эффектов.

Эта иерархия означает, что каждый последующий вопрос может быть решен только после того, как ответы на предыдущие вопросы поняты. Важно учесть, что использование только двух волн измерений не может дать ответ даже на первый вопрос, об изменении одной черты, что уж говорить об оценке более сложных связей.

Но учитывая, что сбор лонгитюдных данных – процесс долгий и дорогой, что можно сделать, используя только две волны измерений? Автор статьи считает, что если вы используете CLPM для двух замеров, то необходимо четко обсудить предположения, которые стоят за ними: например, что нет дисперсии, объясняемой стабильными чертами и что нельзя надёжно отличить временные изменения от устойчивых индивидуальных различий.

Еще одним вариантом работы с данными 2 волн лонгитюдов может быть сравнение вложенных моделей. Например, можно оценить и сравнить модели с перекрестными лонгитюдными эффектами и без них, при этом необходимо обосновать выбор той или иной модели не только на основе статистики, но и на основе теории.

Также автор обращает внимание на возможность использования альтернативных подходов, например, использования разностных баллов как зависимой переменной (хотя этот подход также имеет свои ограничения).

В целом, автор делает следующие выводы:

• СLPM — удобная, но концептуально устаревшая модель. Её использование без понимания ограничений — путь к ложным причинным выводам.
• Если переменные описывают стабильные и устойчивые во времени черты — CLPM будет искажать результаты.
• В случае наличия трех и более волн измерений, необходимо использовать RI-CLPM или STARTS, которые позволяют отделить меж-индивидуальные различия и внутри-индивидуальные изменения и оценить временные взаимосвязи между переменными.
• По возможности, если исследовательский вопрос предполагает оценку лонгитюдных изменений и связей, необходимо планировать не менее трех лонгитюдных срезов.

 Если вам интересно посмотреть более подробные описания каждого типа моделей или детали симуляционных исследований, читайте полный текст статьи, она в открытом доступе!

Lucas, R. E. (2023). Why the cross-lagged panel model is almost never the right choice. Advances in Methods and Practices in Psychological Science, 6(1), 25152459231158378.

Другие источники:

Hamaker, E. L., Kuiper, R. M., & Grasman, R. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102–116. https://doi.org/10.1037/a0038889

Kenny, D. A., & Zautra, A. (2001). The trait-state models for longitudinal data. In L. M. Collins & A. G. Sayer (Eds.), New methods for the analysis of change (pp. 243–263). American Psychological Association

Orth, U., Clark, D. A., Donnellan, M. B., & Robins, R. W. (2021). Testing prospective effects in longitudinal research: Comparing seven competing cross-lagged models. Journal of Personality and Social Psychology, 120(4), 1013–1034. https://doi.org/10.1037/pspp0000358

Rogosa, D. R. (1995). Myths and methods: “Myths about longitudinal research” plus supplemental questions. In J. M. Gottman (Ed.), The analysis of change (pp. 3–66). Lawrence Erlbaum Associates.

Usami, S. (2021). On the differences between general crosslagged panel model and random-intercept cross-lagged panel model: Interpretation of cross-lagged parameters and model choice. Structural Equation Modeling: A Multidisciplinary Journal, 28(3), 331–334. https://doi.org /10.1080/10705511.2020.1821690

Usami, S., Murayama, K., & Hamaker, E. L. (2019). A unified framework of longitudinal models to examine reciprocal relations. Psychological methods, 24(5), 637.