密集追踪数据(Intensive Longitudinal Data, ILD)具有测量频率高、追踪次数多的特点，能精细地捕捉个体状态随时间的变化, 为深入探索变量间动态双向关系提供重要支持。然而，实际研究中常面临时间尺度不匹配(timescale mismatch; 见图1)的挑战——即由于不同变量测量频率不同带来的建模分析困难。

图1. 时间尺度不匹配的示意图

注：X为密集尺度变量，Y为稀疏尺度变量

具体而言，有些构念(如，情绪)的动态波动频繁，通常需要每日多次测量；而有些构念可能因客观条件限制(如睡眠)、需要一定时间的积累(如锻炼时长)、或主要发生于每日特定时段(如亲子互动)，更适宜进行每日一次测量。

如何建模分析时间尺度不匹配变量的动态双向关系？本研究基于动态结构方程模型，针对两类密集追踪问题情境，系统回顾以往研究建模中的局限，并创新提出优化建模方案。

聚焦于密集时间尺度，以往研究采用部分路径模型(partial-path model; 见图2a)，仅分析变量邻近时间点的滞后关联，但忽略了其他时间点的潜在相互作用。本研究提出全路径模型(full-path model; 见图2b)，综合建模密集尺度变量所有时间点与稀疏尺度变量的动态交互效应，以更精确地考察变量间动态交互的具体过程，捕捉特定时间点的滞后效应。

图2 聚焦密集时间尺度以考察变量间动态交互具体过程的现有模型(a)与改进模型(b)

聚焦于稀疏时间尺度，以往研究采用平均分数模型(average-score model; 见图3a)，取密集尺度变量的阶段均值(如，日均值)以匹配稀疏尺度变量，但损失了密集尺度变量的动态波动信息，且无法探究不同时间点的贡献差异。本研究首先提出因子模型(factor model; 见图3b)，通过潜在因子整合密集尺度变量的多个时间点信息。研究还提出调整因子模型(adjusted factor model; 见图3c)，在因子模型基础上进一步考虑密集尺度变量多个时间点之间的时序依赖，以更准确地考察变量间双向关系的整体效应，帮助回答变量间动态双向关系中“谁为主导”等关键问题。

图3 聚焦稀疏时间尺度以考察变量间双向关系整体效应的现有模型(a)与改进模型(b, c)

通过三项模拟实验，研究发现多种模拟条件中，(1)全路径模型的参数估计准确性均优于部分路径模型；(2) 因子模型的参数估计准确性均优于平均分数模型；(3) 若密集尺度变量多个时间点在考虑共同潜在因子后还存在时序依赖，调整因子模型的参数估计偏差小于因子模型，但若时序依赖较弱，两者差异可忽略。研究还通过密集追踪实证数据，对比分析时间尺度不匹配变量(压力感受, 每日4次; 睡眠质量; 每日1次)的五种动态关系建模的结果差异。

本研究系统探讨密集追踪研究中动态双向关系建模的时间尺度不匹配问题，针对两类典型研究情境(考察动态交互具体过程或双向关系整体效应)，分别提出实用建模方案，为密集追踪研究中不同频变量和多模态数据(如生理数据与问卷数据)的整合建模提供方法学支持，助力变量间复杂动态交互作用机制的深入解析。

此项研究发表于计量心理学顶刊Psychological Methods (SSCI前5%，中科院一区Top期刊，5年影响因子11.0)。北师大心理学部博士研究生罗晓慧为第一作者，刘红云教授和胡月琴教授为共同通讯作者。

刘红云教授课题组网站：https://hongyun-liu.github.io

胡月琴教授课题组网站：https://github.com/yueqinhu

论文信息：

Luo, X., Hu, Y., & Liu, H. (2025). Timescale Mismatch in Intensive Longitudinal Data: Current Issues and Possible Solutions Based on Dynamic Structural Equation Models. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000749