如何在MPlus中针对LTA各单一转换路径预测自我调节能力的影响

针对你已完成LTA识别出3个攻击/反社会行为剖面、且使用50个多重插补数据集的情况，要通过自我调节能力预测单一转换路径（而非时点主效应），可按以下步骤操作：

1. 拆解转换路径为二分类指示变量 #

LTA中相邻时点的转换是多分类（如Tk的3个剖面对应Tk+1的3个剖面，共9种转换方向），需为每个单一转换路径生成独立的0-1变量：

• 定义规则：1表示个体发生该特定转换，0表示未发生（即属于其他转换路径）
• 示例（以T2→T3的转换为例）：
  • 生成T2低→T3中：当T2分类为低（假设编码1）且T3分类为中（编码2）时赋值1，其余为0
  • 同理生成T2低→T3高、T2中→T3低等所有9种单一转换路径变量

可在MPlus的DEFINE段直接生成这些变量，前提是已从之前的LTA分析中导出各时点的分类变量（如class_t1、class_t2等）。

2. 针对单一转换路径开展二元逻辑回归（结合多重插补） #

对每个生成的二分类转换路径变量，单独构建以自我调节能力为预测变量的二元逻辑回归模型，同时适配多重插补数据集：

• MPlus语法示例（针对T2低→T3高路径）：

DATA:
  FILE = imputed_data_*.dat;  ! 调用50个多重插补数据集
  TYPE = IMPUTATION;
  IMPUTATION = 50;

DEFINE:
  ! 假设class_t2=1=低，class_t3=3=高
  t2low_t3high = (class_t2 EQ 1) AND (class_t3 EQ 3);

VARIABLE:
  USEVARIABLES = t2low_t3high self_regulation;

MODEL:
  t2low_t3high ON self_regulation;  ! 自我调节能力对该单一转换路径的预测

• 该模型输出的OR值、标准误及p值，直接反映自我调节能力对该特定转换发生概率的影响，而非时点层面的整体主效应。

3. 多重插补结果的自动合并 #

MPlus在TYPE = IMPUTATION模式下会自动应用Rubin规则合并50个插补数据集的结果，无需手动计算。若你是单独分析每个插补数据集后合并，需按Rubin规则计算合并后的效应量与标准误。

4. 调节型LTA的单一路径扩展 #

若需分析调节变量对转换路径预测效应的影响，只需在模型中加入交互项即可：

MODEL:
  t2low_t3high ON self_regulation moderator self_regulation*moderator;

此模型将输出自我调节能力的主效应、调节变量的主效应，以及二者的交互效应对该单一转换路径的影响。

注意事项 #

• 需确保LTA导出的分类变量（各时点剖面归属）准确无误，这是生成转换路径变量的基础
• 若某单一转换路径的发生频数极低，模型可能出现不稳定（如标准误过大），需在结果中报告该路径的样本量情况，必要时结合研究需求判断是否保留
• 多重插补的参数设置需与你生成插补数据集时的配置一致，保证结果的可靠性

内容的提问来源于stack exchange，提问作者Sophie Strauß