纵贯性资料分析：LGM的应用(附光碟) pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 纵贯性研究
• LGM
• 结构方程模型
• 潜变量模型
• 统计分析
• 教育研究
• 心理学研究
• 发展心理学
• 数据分析
• SPSS

　　本书所介绍的LGM，是一种进阶SEM方法学的应用，它不仅可以作为研究人员（含研究生、学者及专家）探索有关「成长与改变｣及「发展趋势｣问题的工具，更可以作为SEM方法学的延伸参考书籍。

　　本书主要分成两篇十三章，除LGM的基础应用外，更进一步介绍LGM的各种进阶应用，并举实征范例资料为例，搭配SIMPLIS语法的简明扼要分析，让读者能够循序渐进，习得如何应用LGM于自己的研究问题上，并适当诠释资料分析结果，以完成理论扎实与方法严谨的研究成果。

现代统计学在社会科学中的前沿应用：多元回归与结构方程模型精讲 本书聚焦于当代社会科学研究中最具影响力、最核心的两大统计分析工具：多元回归分析和结构方程模型（SEM）。旨在为读者提供一个从基础概念到高级实证操作的全面、深入、实用的学习路径。 本书并非关注纵贯性数据或特定时间序列分析（如LGM），而是将笔触聚焦于跨学科领域中对横断面数据、截面数据以及理论模型检验至关重要的统计技术。我们深知，在心理学、教育学、管理学、社会学等领域，研究者们需要精准地理解变量间的关系强度、方向，并能构建和检验复杂的假设理论框架。 第一部分：多元回归分析的深度精炼 本部分将系统地梳理和深入探讨多元回归分析的理论基础、模型构建、结果解释以及潜在的陷阱规避。 第1章：回归分析的理论基石与模型设定 本章首先回顾了描述性统计学的核心概念，为进入推断性统计奠定基础。重点阐述了最小二乘法（OLS）的数学原理和统计学意义，强调其在估计回归系数时的最优性（在满足经典线性回归假设前提下）。我们将详细讨论： 模型的设定与识别： 如何选择合适的自变量（Predictors），以及线性关系、对数转换和多项式回归的应用场景。 假设检验与显著性： 深入解析$t$检验和$F$检验的统计逻辑，如何理解$p$值在实际研究中的局限性与正确解释。 效应量（Effect Size）的解读： 区别于单纯的显著性，$R^2$、调整后$R^2$以及偏$eta^2$（Partial Eta Squared）在量化模型解释力方面的作用和规范报告标准。 第2章：多重共线性、异方差性与模型诊断 成功的回归分析依赖于满足一系列严格的统计假设。本章专门用以诊断和处理这些“违规”情况，这是区分初级和高级应用的关键所在。 共线性问题（Multicollinearity）： 详细阐述方差膨胀因子（VIF）的计算与解释，并提供对策，如主成分回归（PCR）或岭回归（Ridge Regression）的引入思路，尽管这些方法本身是更高级的回归扩展，但其动机源于多重共线性的诊断。 残差分析与异方差性： 深入探讨残差图的视觉诊断，包括对异方差性（Heteroscedasticity）的检验（如White检验或Breusch-Pagan检验），并介绍使用稳健标准误（Robust Standard Errors）进行修正的必要性。 异常值与影响点： 识别和处理对回归系数产生不成比例影响的观测点，包括对库克距离（Cook's Distance）和杠杆值的解读。 第3章：中介、调节与交互作用效应的实证分析 本部分超越了简单的预测模型，进入到探究“如何发生”（中介）和“在何种条件下发生”（调节）的复杂关系探究，这些是社会科学理论构建的核心。 中介效应分析（Mediation）： 重点介绍Baron和Kenny的三步法（作为历史基础）和更推荐的Bootstrap法（如Preacher & Hayes的方法），用于检验间接效应的显著性，并探讨完全中介与部分中介的区分。 调节效应分析（Moderation）： 详细讲解如何将自变量、调节变量及其交互项同时纳入回归模型。通过简单斜率分析（Simple Slope Analysis）可视化交互作用的实际意义。 多层交互作用的解释： 探讨包含三个及以上预测变量的复杂模型，以及如何通过中心化（Centering）变量来缓解交互项乘积项的共线性问题，并确保系数解释的精确性。 第二部分：结构方程模型（SEM）的框架构建与验证 结构方程模型是整合因子分析（CFA）与路径分析（Path Analysis）的强大工具，是检验复杂理论模型的黄金标准。本部分将围绕SEM的两个核心阶段展开。 第4章：测量模型：验证性因子分析（CFA）的严谨构建 验证性因子分析（CFA）是SEM的基石，用于检验观测变量是否准确反映了潜在的理论构念。 潜在变量的理论化： 区分反射式（Reflective）和形式式（Formative）测量模型，并明确各自的分析要求。 拟合优度指标的深入解读： 详细讲解如何批判性地使用$chi^2$检验，以及卡方自由度比值、RMSEA、CFI、TLI等指标的取值范围与解释意义，强调不能仅依赖单一指标。 信度和效度的评估： 除了传统的Cronbach's $alpha$，重点介绍因子载荷（Factor Loadings）、组合信度（Composite Reliability, CR）和平均萃取方差（Average Variance Extracted, AVE），以满足严苛的测量标准。 测量不变性检验： 在跨群体比较研究中，介绍如何通过多组（Multi-group）CFA检验不同样本间测量的等效性（即测量不变性）。 第5章：结构模型：路径分析与复杂理论模型的检验 在测量模型被确认有效后，本章转向路径分析，即检验潜在变量之间的因果路径关系。 路径分析的构建与解释： 将CFA的结果作为输入，建立潜在变量之间的直接效应和间接效应路径。解释路径系数（标准化后的回归权重）的含义。 模型的比较与修正： 介绍如何使用嵌套模型检验法（Nested Model Comparison）来对比理论模型A是否优于理论模型B。同时，讨论修正指数（Modification Indices）的审慎使用，避免“数据驱动”的过度模型拟合。 SEM的进阶应用场景： 简要介绍如何将回归模型中讨论的中介和调节效应引入到潜在变量层面进行更精确的检验，并探讨潜变量交互作用的实现方法。 结语：研究设计的伦理与统计报告规范 本书最后强调，无论使用何种高级统计方法，研究设计的严谨性永远是第一位的。我们将提供一套详尽的统计报告指南，确保读者能够按照APA等主流学术规范，清晰、透明、完整地报告回归和SEM的结果，包括模型设定、拟合指标、系数估计值、标准误及效应量，从而提升研究的可重复性和可信赖度。 本书旨在成为社会科学研究者案头必备的实用手册，帮助读者跨越统计软件操作的表象，真正掌握现代数据分析背后的统计哲学与实证逻辑。

作者简介

余民宁

　　学历：
　　国立政治大学教育学士
　　国立政治大学教育硕士
　　美国伊利诺大学（香槟校区）哲学博士（主修心理计量学）

　　现职：国立政治大学教育学系特聘教授

　　着作：
　　《心理与教育统计学》（台北：三民）（1995）
　　《有意义的学习：概念构图之研究》（台北：商鼎）（1997）
　　《教育测验与评量：成就测验与教学评量》（台北：心理）（1997）
　　《教育测验与评量：成就测验与教学评量》（第二版）（台北：心理）（2002）
　　《心理与教育统计学》（增订二版）（台北：三民）（2005）
　　《潜在变项模式：SIMPLIS的应用》（台北：高等教育）（2006）
　　《试题反应理论（IRT）及其应用》（台北：心理）（2009）
　　《教育测验与评量：成就测验与教学评量》（第三版）（台北：心理）（2011）
　　《心理与教育统计学》（增订三版）（台北：三民）（2012）
　　《纵贯性资料分析：LGM的应用》（台北：心理）（2013）
　　相关学术论文数十篇
　　个人网页：www3.nccu.edu.tw/~mnyu/

第一篇　基础篇
第1章　导论
第一节　为何需要研究长期改变趋势？
第二节　潜在成长模型的发展史
第三节　LGM的相关研究资讯
第四节　本书结构与导读

第2章　LGM的背景知识
第一节　测量模型的回顾
第二节　结构模型的回顾
第三节　路径关系图
第四节　SIMPLIS语法简介

第3章　潜在成长模型简介
第一节　一般性概论
第二节　纵贯性研究设计
第三节　LGM的建构
第四节　路径关系图的表征
第五节　关于LGM的其他注意事项

第4章　LGM的基础应用
第一节　范例资料的准备
第二节　零基模型
第三节　随机截距模型
第四节　固定截距固定斜率模型
第五节　随机截距固定斜率模型
第六节　随机截距随机斜率模型
第七节　未指定轨迹模型
第八节　多群组分析模型
第九节　有条件潜在成长模型
第十节　平行处理模型
第十一节　世代连续设计模型
第十二节　随时间改变的共变数模型
第十三节　多项式成长曲线模型

第二篇　进阶篇
第5章　多变量潜在成长模型
第一节　AMLGM简介
第二节　高阶的MLGM简介
第三节　包含结构参数的MLGM简介

第6章　自我回归潜在轨迹模型
第一节　ALT简介
第二节　实征分析与解释

第7章　次序性成长模型　
第一节　OGM简介
第二节　实征分析与解释

第8章　片段性成长模型
第一节　PGM简介
第二节　实征分析与解释

第9章　改变面向间的因果模型
第一节　改变面向间的因果模型简介
第二节　实征分析与解释

第10章　LGM与多层次模型间的关系
第一节　MLM简介
第二节　MLM与LGM的相同之处
第三节　MLM与LGM的相异之处

第11章　潜在成长混合模型
第一节　LGMM简介
第二节　实征分析与解释

第12章　非线性潜在成长模型
第一节　SLC简介
第二节　实征分析与解释

第13章　LGM的未来──代结论

参考文献
本书附光碟（含第4章至第12章程式范例举隅）

自序

　　自笔者前一本着作《潜在变项模式：SIMPLIS的应用》（2006，台北：高等教育）出版以来，SEM方法学已经如火如荼地在国内流行起来，几乎举凡任何一篇量化研究的硕博士论文或学术期刊论文，莫不都是使用SEM方法。SEM方法学，可说是已成为学术研究中家喻户晓的显学。

　　自2006年以来，进阶的SEM方法学，也已悄悄地兴起与流行。笔者在前书中，已提及这股发展趋势：多群组样本分析、交互作用效果模式分析、潜在成长模型分析，与多层次结构方程式模型等，将会逐渐取得SEM方法学的主导地位。没错，这个趋势至今一直没有变动过！

　　本书即是挑选其中一项「潜在成长模型分析」，继续深入延伸探索，以企图回答当研究资料含有长期追踪性质的纵贯性资料结构时，SEM方法学可以帮助我们探讨什么样的问题、回答什么样的关注焦点，以及使用什么样的创新分析技术。

　　本书之所以挑选此一主题来撰写，乃因为几个发展趋势，让笔者觉得不得不为此领域尽一点心力：(1)长期纵贯性资料库（如TEPS）已正式释出，并且蒐集此类资料的研究案有逐渐增多的趋势；(2)社会科学家仍戮力积极探索非实验性质取得之观察变项间的因果关系为何；(3)时间是决定「因果关系」的最佳变项；(4)电脑程式的发展也已大幅进展与改良；(5)这种「潜在成长模型」方法学相对于其他进阶SEM方法学而言，较为浅显易懂，且累积的文献也已到了汗牛充栋的地步。

　　因此，接续笔者前一本着作之后，继续沿用读者可能已经熟悉的SIMPLIS语法，陆续延伸探讨纵贯性资料分析的研究议题。随着国内学术界对SEM的了解愈来愈普及，且上述趋势问题也愈来愈明显，笔者相信「潜在成长模型」方法学有逐渐成为显学的一天。

　　笔者构思撰写本书，已酝酿多时，趁101学年度休假进修的这一年，一鼓作气将它完成。本书能够顺利出版，笔者要感谢心理出版社的擘划、历届指导毕业学生提供宝贵的资讯回馈、研究伙伴们的尝试错误与努力不懈，以及选修过笔者开授「潜在变项模式」课程的研究生所给笔者的期望压力；同时，也要感谢国立政治大学教育学系博士生赵珮晴、钟珮纯、陈玉桦等人的协助校稿与侦错，真高兴看到他们也都使用LGM来作为资料分析的利器。

　　最后，笔者更要感谢在这一年日以继夜埋首电脑桌前写作的日子里，百般照顾呵护我生活起居与身体健康的内子——沈恂如，若没有她的谅解、鼓励、支持与费心持家，不知道本书会写到何年何月才能够顺利出版？真谢谢你们！帮我成就一本着作！没有你们的协助，也就没有这本书的出版！

　　若本书有任何疏漏、引用错误或校稿不确实的地方，责任该全部由笔者来负责。笔者由衷祈求学界先进们，能够不吝指教！

余民宁    谨识
2013年5月20日于国立政治大学教育学院井塘楼研究室

评分☆☆☆☆☆

我是一名初入数据分析领域的学生，对各种统计模型都抱着极大的学习热情，但同时也常常感到困惑和迷茫。特别是面对那些随时间变化的数据时，我总觉得现有的统计知识不够用，不知道该如何下手。在图书馆偶然翻到这本书，它的名字——“纵贯性资料分析：LGM的应用”——立刻吸引了我。虽然“LGM”对我来说还是个新概念，但“纵贯性资料分析”几个字就戳中了我的痛点。我渴望找到一种能够真正理解和处理时间序列数据的方法，而不是简单地做一些描述性统计。这本书的出版，似乎为我指明了一个方向。我期待它能用通俗易懂的语言，为我介绍纵贯性资料分析的基本原理，并详细讲解LGM模型的构建过程和解释方法。尤其是它提到的“应用”，这让我相信书中会有大量的实际案例，能够帮助我理解如何在真实的研究情境中运用LGM，而不是仅仅停留在理论层面。光碟的存在，更是让我觉得这本书的价值倍增，我希望它能提供一些实践操作的演示或数据，让我能够边学边练，真正掌握这项技能。

评分☆☆☆☆☆

作为一名在临床医学研究领域摸爬滚打多年的医生，我深切体会到病人病情在治疗过程中的动态变化是临床决策和预后评估的关键。传统的横断面研究往往只能捕捉到某个时间点的快照，而无法描绘出疾病进展、治疗反应以及预后随时间演变的完整图景。近年来，“纵贯性资料分析”的概念逐渐引起了我的关注，特别是LGM（潜变量增长模型）似乎是一种能够很好地刻画个体在时间维度上变化轨迹的统计方法。这本书的出现，对于我来说，无疑是一次福音。我迫切希望它能提供关于LGM在医学研究中应用的详细指导，比如如何构建适合临床数据的模型，如何解读模型输出的参数，以及如何利用这些模型来预测疾病发展趋势、评估治疗效果等。如果书中能够包含一些具体的临床案例分析，那就更加完美了。附带的光碟，我希望它能提供一些实用的统计软件操作指南，甚至是相关的数据库，让我在理论学习之余，也能进行模拟操作，将所学知识转化为实际应用，最终服务于临床研究和病患的健康。

评分☆☆☆☆☆

最近我一直对如何科学地追踪和分析那些跨越较长时间的研究数据感到好奇。比如，在一个长期的项目评估中，如何评估项目实施过程中受访者各方面指标的动态变化？或者在用户行为研究中，如何捕捉用户在不同阶段的习惯养成或偏好转变？这类问题都涉及到“纵贯性资料分析”。而我注意到这本书恰好聚焦于此，并且特别提到了“LGM的应用”。我对LGM的理解还比较初步，知道它是一种处理重复测量数据的强大工具，能够揭示个体内部的变化规律。这本书的标题让我看到了它能够将LGM这一相对高阶的统计方法，与实际的资料分析需求相结合。我期待这本书能够循序渐进地介绍纵贯性资料分析的逻辑和LGM模型的基本框架，并着重讲解如何在不同类型的研究情境下应用LGM，例如如何设定模型参数，如何处理缺失数据，以及如何解释复杂的模型结果。光碟的配备，则让我觉得这本书的实用性大大增强，或许里面会有可以直接调用或参考的数据集，又或者是一些在实际操作中会遇到的问题及解决方案，这对于希望将理论转化为实践的我来说，是非常有价值的。

评分☆☆☆☆☆

这本书的封面设计就带着一种严谨而专业的味道，色彩搭配沉稳，字体清晰，虽然我还没来得及深入研读，但光是翻阅目录和前言，就能感受到作者在构建这本书时的用心。它似乎不只是简单地罗列理论，而是试图通过一种系统化的方式，引导读者去理解“纵贯性资料分析”这个复杂但至关重要的概念。我尤其对其中提及的“LGM应用”部分感到好奇，作为一名长期从事社会科学研究的学者，深知追踪个体在不同时间点上的变化轨迹是理解现象本质的关键，而LGM（潜变量增长模型）无疑是实现这一目标的强大工具。这本书的出现，仿佛为我打开了一扇新的窗口，让我有机会更深入地掌握这一方法论，并将其有效地运用到我自己的研究实践中。附带的光碟更是增添了实际操作的可能性，我迫不及待地想看看其中是否包含案例数据、代码示例，甚至是软件操作的演示，这对于我们这些需要动手实践的研究者来说，绝对是雪中送炭。我预感，这本书将不仅仅是一本理论书籍，更可能成为我未来研究道路上的得力助手。

评分☆☆☆☆☆

最近在思考如何更有效地处理那些需要长时间观察和跟踪的数据，尤其是在教育心理学领域，学生的学习过程、动机变化以及认知发展等等，这些都不是一蹴而就的，而是随时间不断演进的动态过程。传统的研究方法在捕捉这种连续变化方面总显得力不从心。朋友推荐了这本书，据说它在“纵贯性资料分析”方面有很深的阐释，并且特别强调了LGM的应用。我之前对LGM有所耳闻，但总觉得它理论性太强，实践起来门槛比较高。但这本书的标题让我看到了希望，它似乎能将抽象的LGM模型与实际的资料分析紧密结合起来，而且“应用”二字更是点明了其侧重点，这正是我所需要的。我期待这本书能提供清晰的步骤、具体的案例，甚至是代码指导，让我能够真正掌握如何构建和解释LGM模型，从而更深入地理解影响研究对象在时间维度上的发展规律。附带的光碟，我猜想里面会有宝贵的研究工具或资源，希望能帮助我跨越理论与实践之间的鸿沟。