處對象軟件_成對數據分析之行動者-對象瓦依性模型(APIM)

　　摘要　成對關系是人際關系和人際互動的最基本的單元，對成對關系的測量得到的成對數據具有人際關系的互依性特點，這種互依性往往體現在對象效應上�？紤]到數據的互依性以及同時估計行動者效應和對象效應的行動者，對象互依性模型(APIM)是一種相對簡單但很有吸引力的指導分析的模型。成對數據中根據數據的變異源分為三種變量；根據是否存在可區(qū)分開成對關系中的雙方的變量而分為可區(qū)分和不可區(qū)分的數據；成對數據的分析往往開始于互依性程度的檢驗：在獨立性不能得到滿足的情況下，考慮是否可區(qū)分，則可以采用聯(lián)合回歸、多水平模型，結構方程建模的方法，對APIM中的各個效應進行估計。其中，尤為詳細地介紹了使用LISREL軟件進行結構方程建模分析的方法。
　　關鍵詞　成對數據；APIM；非獨立性／相依性；可區(qū)分：不可區(qū)分
　　分類號　B841.2
　　
　　1　人際關系研究
　　
　　對心理學的一個經典界定是“行為的科學”，而人類行為常常是在有他人在場的場合發(fā)生，因而社會互動的設計和數據分析就成為心理學的一個根本議題(Kenny，1996a)。人際關系是人作為社會存在的一個重要體現，人際關系的相關研究也正是人格和社會心理學的重要主題之一，其代表性學術期刊《人格與社會心理學雜志》中有一個版塊直接涉及這一話題，即人際關系和群體過程版塊。依照社會網絡分析中的術語。人際關系中的個體稱為行動者(actor)或節(jié)點(node)，個體之間存在關系紐帶或聯(lián)結(Wasserman，1994)。因而，人際關系的研究則是包括對節(jié)點以及節(jié)點間的聯(lián)結進行的研究。
　　人際關系的研究需要把握以下人際關系的特點：第一，成對性、群體性。成對關系是人際關系和人際互動的最基本的單元，這樣的單元往往可以找到一個大的群體背景。在群體中，存在多個成對的單元，共同構成一個網絡。在這個網絡中，除了“一對一的成對性，還存在一對多”和“多對一的變異(Kenny，1994)。成對關系是最簡單的群體關系。第二，互依性，交互性。所謂互依性是指關系中一方的結果會對另一方的結果產生影響，如果不存在互依性，那么也就不成其為“關系”了(Kenny，Kashy，&Cook，2006)。這種交互性，體現在認知、情感和行為各個層面，比如你在評判關系對象時，他，她會同樣評判你，并會給予反饋(Fiske&Taylar，2007)。第三，動態(tài)性，過程性。時間維度上，人際關系是一個持續(xù)的過程，有著不同的發(fā)展階段，從關系的建立、維持、損傷、修復以至于破裂；關系中的雙方本身也會隨之變化。在空間維度上，不同場合下的關系將會有不同的表現。第四，雙向性，非對稱性。雖然關系雙方存在互依性，但是這種雙向的影響并非總是對稱的，比如“單戀”等現象的存在。關系中非對稱性的存在給關系帶來復雜因素，也更加吸引研究者的關注。
　　在諸多人際關系的研究中，包括對成對關系的研究，收集到的數據往往是成對的數據，因而這樣的數據也就具有了人際關系所帶有的特征，這里著重介紹靜態(tài)取向下的互依性(Kenny，1996a.)，且主要是體現在對象效應上的互依性。
　　
　　2　成對數據
　　
　　2.1來自的關系類型
　　根據關系屬性：因為婚姻血緣形成的關系，因為工作上形成的關系，一般的社會交往形成的關系。比如：家庭關系中：夫妻，親子，兄弟姐妹：學校中：師生關系，同伴關系；工作場合：同事關系，上下級關系；其他場合：朋友關系，戀人關系。傳統(tǒng)的“五倫”即是界定五種常見的人際關系，包括：夫妻關系，親子關系，兄弟關系，上下級關系，朋友關系。
　　在上面提到的關系類型中，根據是否有明顯的變量將成對雙方區(qū)分開，而將在這樣的關系上收集的數據分為可區(qū)分的成對數據和不可區(qū)分的成對數據(Griffin&Gonzalez，1995)。比如傳統(tǒng)的異性夫妻或戀人關系中，可以根據性別將雙方區(qū)分為丈夫和妻子：而如果是同性婚姻或戀愛中，性別因素就不能用來區(qū)分雙方；親子雙方、師生雙方、上下級雙方則可以根據角色進行區(qū)分：兄弟姐妹間可以根據性別或年齡長幼加以區(qū)分；異性同伴、朋友關系可以根據性別加以區(qū)分，而同性別朋友關系則不能。從可區(qū)分的成對關系中收集到的成對數據則可被系統(tǒng)有序地安排在數據管理軟件中，而不可區(qū)分的成對數據中雙方的順序的安排則只能是人為的(Kenny et al.，2006)。區(qū)分變量應該具有理論和實證的意義，是否可區(qū)分本身也可以進行實證檢驗(Gonzalez&Griffin，1999)。
　　
　　2.2變量的類型
　　根據變量在成對間和成對內的變異情況，可以分為三種變量(Kashy&Kenny，2000)：成對間變量，變異只存在于不同的對之間，相同對內的雙方的取值相同。比如以成對雙方為單位的實驗中，分配到實驗組和控制組的對之間存在差別，而每一對中的雙方都接受或都不接受實驗操縱；其他的比如以異性夫妻為研究對象的研究中，婚齡就是一個成對間變量。成對內變量，變異只存在于成對內雙方之間，其均值在不同對之間是恒定的。比如異性婚姻中，性別就是一個成對內變量：在實驗室中雙方發(fā)言的時間比例也是；上面提到的區(qū)分變量就是成對內變量�；旌献兞�，變異存在成對間以及成對內兩個水平上。比如年齡、個性特征等變量在成對研究中往往是混合變量。相同變量在不同的研究設計中可能歸為不同類型的變量(Kenny et al.，2006)。
　　
　　2.3非獨立性／互依性的來源
　　成對數據的非獨立性或互依性抓住了人際關系的重要特征，不過相應的分析則需要將這種特征考慮在內。為了選擇更適當的分析模型，先要確定非獨立性的來源。造成觀測的非獨立性的因素包括群組，時間和空間等因素(Kenny & Judd，1986)。在對成對對象的研究背景中，Kenny(1996b)提及四類來源：
　　第一，成對雙方具有某些相似特征，如社會經濟地位、教育、地域等身份背景的相似�；閼兕I域內相似特征的人結合的現象被行為遺傳學者稱為選擇性交配(assortative mating)(e.g.，Luo&Klohnen，2005；Kenny，1996b；Watson et al.，2005)。這些相似造成的非獨立性被稱為組分效應(compositional effects)(Kenny，1996b)。第二，對象效應。所謂對象效應是指一個人的特點或行為會影響其對象。對象效應被認為是人際關系的操作性特征(Kenny et al.，2006)。第三，相互影響(mutual influence)。相對于對象效應是偏向于兩個變量之間在成對間的影響，相互影響則是一個變量在成對雙方間的影響，接近于人際關系中的“互惠性”(reciprocity)。第四，共同命運(common fate)。即成對雙方在某個變量上的位置由一個共 同的在成對水平上的原因變量所影響。這四個來源導致研究者所感興趣的變量的非獨立性。
　　
　　2.4非獨立性，互依性的檢驗
　　在可區(qū)分的情況下，采用一般的皮爾遜積差相關作為互依性的測度，即在區(qū)分變量一個水平上的成員在需要檢驗的變量上的得分與另一個水平上的成員的得分之間的相關。負向的相關也是有可能且有意義的。顯著性檢驗也就是標準的相關系數顯著性檢驗方法。顯著性檢驗是與0的差異比較，而Cohen對于相關程度的大小的經驗劃定可以作為非獨立性程度的參考。如果有多個區(qū)分的變量，那么可以考慮偏相關：而多個變量間的非獨立性檢驗則可用典型相關法(Kenny et al..2006)。在不可區(qū)分的情況下，因數據排列的人為性，標準的相關系數將不再適合作為非獨立性的度量指標，此時可以采用組內相關系數(intraclass correlation，ICC)，其中一種計算方法為：ICC=(MSB-MSw)／(MSB+MSw)，即成對間與成對內方差之差在兩者之和中所占的比例(Kenny et al.，2006)。ICC的計算及檢驗，可以使用常用統(tǒng)計分析軟件如SPSS進行分析(Alferes & Kenny，2009)。
　　
　　2.5　Griffin & Gonzalez(1995)的可互換數據的相關計算方法
　　該方法是計算ICC的另一種方法，并能分解出兩種水平的相關，包括以下步驟：首先，總體相關的計算和一般的相關計算方法相同，如有n對成對數據，那么相關計算則涉及2n個數據，案例。第二，檢驗互依性程度。方法之一是計算成對組內相關(pairwise intraclass correlation)，該指標的計算是通過互換成對數據在兩列的位置，從而得到2n個數據，然后再計算相關；如果是兩個變量間的相關則是跨變量的組內相關(cross intraclass correlation)。第三，顯著性檢驗，根據互依性程度對樣本量進行校正，繼而應用z檢驗進行顯著性檢驗。第四，分離個體和成對水平效應。Griffin和Gonzalez將Kenny和LaVoie(1985)的群體相關模型用于可互換成對數據，構建一個潛變量模型來對個體水平和成對水平效應進行分解。第五，對個體水平和成對水平相關的顯著性進行檢驗。另外，他們還提到在成對均值水平上的相關可視作兩個水平不同權重的組合，而并非成對水平上相關的估計。
　　
　　2.6互依性對于顯著性檢驗的影響
　　因為傳統(tǒng)的顯著性檢驗對于數據獨立性的要求，一旦這個假設嚴重的違背，那么對于誤差的估計將不再準確，繼而影響顯著性的檢驗。比如方差分析中方差估計將會受到影響(Kenny& Judd，1986)。當非獨立性存在而依然在個體水平上進行統(tǒng)計分析時，統(tǒng)計檢驗的一類錯誤或二類錯誤會因為因變量的類型以及非獨性立性的正負性而增加(Kashy&Kenny，2000；Kenny et al.，2006)。這就意味著非獨立性分析發(fā)現存在相依性之后，成對數據的分析需要不同于通常所用的方法，而是應該將這種相依性考慮在內以“另辟蹊徑”(Kenny，1996b)。不然將會有偏差的估計結果，也錯失了揭露相依性背后的規(guī)律，與忽略了多水平數據的階層性特點導致的后果相似(Muthen，1997)。
　　
　　3　行動者，對象互依性模型(APIM)
　　
　　成對關系中互依性的存在，以及人們對于互依性本身的關注，主要體現為對象效應的存在和對該效應的關注上。而行動者一對象互依性模型(APIM)則同時考慮到成對關系中存在行動者效應和對象效應，可謂是因對象效應而出現的模型(Kashy&Kenny，2000；Kenny，1996b；Kenny&Cook，1999)。該模型的基本框架呈現在圖1所示的概念路徑圖中。
　　
　　3.1主效應
　　行動者效應：一個人在預測變量上的得分對該人在結果變量上的得分的效應，圖1中的a是表示行動者效應，這個效應接近于心理研究中常檢驗的效應，即個體內效應(Kenny et al.，2006)；回答的是諸如具有什么樣特點的個體會有什么樣的結果一類的問題(Kenny&Cook，1999)。對象效應：一個人在預測變量上的得分對其對象在結果變量上的得分的效應，圖1中的p是表示對象效應，相對于個體內效應，這個效應類似個體間的效應(Kenny et al.，2006)；回答的是諸如具有什么樣特點的個體會誘發(fā)其關系對象什么樣的反應一類的問題(Kenny&Cook，1999)。
　　
　　
　　3.2交互效應
　　圖1不能直接體現出交互效應來。在APIM模型中，可以有幾種不同的交互效應探索形式：乘積項的形式，就是最常見的在方差分析中的交互作用項，以及回歸分析中用乘積項探索交互作用的方式；相似性等指標的形式，通過差值或相關等指標計算出成對雙方的相似性等指標，繼而用該指標作為預測因子；其他的形式，比如抽取雙方中的高分形成一個新的變量作為預測因子(Kenny&Cook，1999；Kenny et al.，2006)。Kenny等人(2006)建議對于交互效應的探索需要控制主效應，盡管有人對此持有相對的觀點，比如Brauer和Judd(2000)。
　　以上三種交互作用形式均能在行動者，對象間的交互作用中應用，也可視為相同變量在成對雙方間的交互效應。而關注在什么情況下才存在對象效應，則是兩個變量之間的交互作用，比如Kenny舉例說在雙方親密程度達到一定程度后，關系中一方的幸福感才會影響對方的健康(Kenny et al.，2006)，即是親密程度與幸福感對健康的交互影響。
　　
　　4　APIM的分析方法之結構方程建模(SEM)
　　
　　有幾種方法可以將相依性考慮在內，并同時對行動者效應、對象效應以及其他效應加以估計：聯(lián)合回歸法(pooled regression)，多水平建模(multilevel modeling)，結構方程建模(structural equation modeling)。每種方法均能借助不同的統(tǒng)計軟件加以實現。在Kenny等人的書中(Dyadic data analysis，2006)和其他發(fā)表的期刊文章和著作章節(jié)中(e.g.，Kashy&Kenny，2000；Campbell & Kashy，2002)對于前兩種方法給出比較詳細的示例，包括程序的語法。盡管Kenny提到聯(lián)合回歸方法相對于后兩種方法顯得“過時”了，但是如果對于HLM和SEM相關統(tǒng)計軟件不是很熟悉。而對SPSS熟悉的人來說，聯(lián)合回歸方法也是一種選擇。下面則著重介紹用LISREL系列軟件進行結構方程建模，包括沒有潛變量的成對路徑分析， 和有潛變量的成對的驗證性因素分析(Kenny et al.，2006；Olsen&Kenny，2006)。
　　
　　4.1沒有潛變量的可區(qū)分的數據APIM的路徑分析
　　在一個人為的成對好朋友來自工作場合的壓力源對離職意向的影響的數據上進行演示。設定為異性朋友，雙方是可區(qū)分的，數據共有176對。數據的格式如表1所示。
　　
　　使用原始數據進行分析，將SPSS文件轉化為Prelis數據文件后，存為“Dis-APIM.psf”文件，沒有潛變量的路徑分析的語法相對簡單，估計的結果呈現在圖2中。接下來檢驗行動者效應、對象效應是否存在性別差異，在上面的語法中增加相應的限定。各個限定及其結果總結在表2中。
　　
　　4.2潛變量的可區(qū)分的數據APIM的路徑分析
　　路徑分析中，對于樣本量的要求不如有潛變量的高(Kenny et al.，2006)。上述例子中，假設每個變量均由3個指標測量，即共有12個指標。此時語法則增加了相應的測量模型部分。同樣可以對路徑系數做限定，結果呈現在表3中。
　　
　　4.3使用SEM的特點
　　對于可區(qū)分的成對數據使用SEM方法最為簡便(Kenny et al.，2006)。SEM方法相對于其他的方法：能夠對整體模型的擬合加以評估；能夠處理有測量誤差的情況，即可以進行潛在變量分析；能夠比較便利的對模型進行限定和比較；路徑分析情況下對于樣本量的要求沒有在有潛變量的情況下高：可以在路徑模型中同時處理多個原因和結果變量。APIM的SEM分析和其他情況下使用SEM一樣需要滿足一些條件，比如數據的分布形態(tài)、變量間的線性關系以及模型的正確設定等。對于不可區(qū)分的成對數據，使用SEM方法也能對APIM進行估計(Olsen & Kenny，2006；Woody&Sadler，2005)，相對于可區(qū)分的情況顯得笨拙和麻煩，使用多水平建模法或聯(lián)合回歸法會更加便利(Kenny et al.，2006)，但SEM方法潛力更大。
　　
　　
　　5　應用和評價
　　
　　5.1　APIM在社會科學中的應用
　　APIM在社會科學中的諸多研究領域中有所應用。在社會認知領域，可以用APIM分析人際知覺(e.g，Kenny & Acitelli，2001)中準確性和偏差等議題；在情緒情感層面，分析成對關系中的情感交換(Feng，Shaw，Skuban，&Lane，2007)，情緒調節(jié)(Bulter，Lee，&Gross，2007)等情感互動議題；在行為互動層面，有探討兄弟姐妹間的獨斷與合作(Kenny&Cook，1999)，戀人間的協(xié)作(Roisman et al.，2007)，言語溝通(Kenny&Cook，1999)，人際影響(Ofifia，Wood，&Simpson，2002)等議題。從研究中涉及的具體主題和變量來看，包括諸如依戀(simpson，Winterheld，Rholes，&Ofifia，2007；Tran&Simpson，2009)、社會支持(crocker&Canevello，2008)、關系滿意度(campbell，Simpson，Boldry，&Kashy，2005)、關系質量(Cillessen，Jiang，West，&Laszkowski，2005)、咨患同盟關系(Kivlighan，2007)等各種人際相關變量，以及各種人格變量(e.g.，Cuperman&Ickes，2009)。
　　上述APIM的使用大多可歸為橫斷研究，即預測變量和結果變量幾乎是同時測量的，或者是在兩個相隔很短的時間點或在兩個場合內測量得到的，預測變量和結果變量一般是兩種不同的變量。除此之外，該模型也可用于縱向發(fā)展性的研究中(cook&KennN 2005；Little&Card，2005)，比如在時間軸上，對成對關系的兩次重復測量之間的建構預測模型的APIM(Laursen，Popp，Burk，Kerr，&Stattin，2008)�？v向發(fā)展研究中，則是在成對關系基礎上進行時間預測，預測變量和結果變量一般是相同變量。
　　APIM在研究設計和分析中應用的發(fā)展趨勢不僅體現在研究內容多樣性上，也體現在數量的遞增上。以APIM為關鍵詞在Psyclnfo中檢索，截至2009年10月，共檢索到68個結果，這個檢索中最早出現APIM縮寫的是1998年Cook的一篇介紹不同的互依性模型的文章，2001年及以前共有2篇，04年及以前有8篇，07年及以前共35篇。這個數字趨勢能夠顯示出越來越多的研究者使用到成對設計并在APIM框架下進行分析。
　　
　　5.2　APIM的評價和發(fā)展
　　APIM的概念框架和交叉滯后模型(e.g.，Burkholder&Harlow，2003)相比，兩者存在若干區(qū)別和相似：前者發(fā)展于成對設計，而后者來源于發(fā)展縱向研究；前者預測變量是相同的，而后者有重復測量的變量；兩種模型均是為了探索因果關系的模型，前者是在成對背景中探索因果關系，后者是探索時間預測關系；分析方法上則可以相互借鑒和參考。而成對關系上進行的縱向追蹤研究設計，則可視為APIM和交叉滯后的結合。
　　成對設計以及APIM分析可歸為多水平的設計和分析，在人際關系領域大有用武之地，相比于從個體的角度來探索人際關系，APIM模型則是考慮到成對數據的互依性特征，而估計行動者效應、對象效應等在內的成對關系中的效應，能得到更加豐富的信息。不過，APIM并非一個競爭模型，而是一個能夠與其他模型互補的模型(Cook&Kenny，2005)。它更多的是用來檢驗理論，而不是用于生成理論。選擇APIM，包括其中對于不同的交互效應的操作，應該從既有的理論出發(fā)，而不是通過事后的統(tǒng)計分析來選擇(Kenny etal.，2006)。
　　對于APIM具體的統(tǒng)計分析，除了上面介紹的SEM分析方法，還有另外一些方法，因而有學者建議從方法學層面對不同的方法進行比較，考察不同的樣本量、互依性程度、數據分布狀況等因素對于不同估計方法的影響；發(fā)展出可兼容區(qū)分與否的數據的方法(Little&Card，2005)。
　　
　　5.3成對設計和分析以及APIM對本土人際關系相關研究的啟發(fā)
　　在中國知網上進行檢索，有一篇文章進行成對設計并在APIM框架下進行分析，采用SEM進行有潛變量的分析，探索夫妻雙方的溝通對婚姻質量的影響(張錦濤，方曉義，戴麗瓊，2009)。確實，探索婚姻關系中雙方的相互影響是APIM的一個重要的應用。中國傳統(tǒng)的價值取向包括“禮”，而“禮”包括對人倫關系的界定，和西方個體主義中平等和獨立的觀念相對，我們更加偏向于差序和相依。當然隨著文化交流和融合，這種差異會慢慢轉變(黃飛，李育輝，張建新，朱浩亮，2010)。這就提示一些值得研究的主題：各類人倫關系中的相互影響規(guī)律的探索；規(guī)律的跨文化的差異：規(guī)律的時間發(fā)展特征。
　　傳統(tǒng)的“五倫”對雙方行為的要求的目的包括維持雙方和諧的關系�！熬�惠臣忠、父慈子孝、兄友弟恭、夫義婦順、朋友有信”中每個關系中涉及兩方行為，則可以從兩個角度設計。比如君臣關系演變?yōu)楝F在的上下級關系，探討“惠”這一預測變量和“關系質量”的關系，同時測量上級給與下級的“惠”，下級感受到來自上級的“惠”，并從雙方角度測量雙方感知的關系質量。大量的研究表明中國是屬于集體主義價值取向的國家，而美國等是個體主義價值取向的代表性國家(Oyserman，Coon，&Kemmelmeicr，2002)；在個體水平上則有獨立性自我和互依性自我的區(qū)分，而互依性自我能在人際關系中體現(e.g.Cross，Bacon，&Morris，2000)。文化差異的研究有從群體水平上進行，比如價值取向研究，有從個體水平上進行，比如人格的差異，當然也就可以從關系水平上進行，探索不同文化背景下的人際互動和影響的差異，此時APIM框架就能派上用場。比如有研究得出夫妻中人格特質中的神經質對壓力影響的性別不對稱性(Kenny et al.，2006)，，那么這種現象是否具有跨文化的一致性?此時，文化則是一個成對間的變量，如果該變量與其它變量或其他效應存在交互作用，那么就表明人際間的影響存在文化差異。社會的變革發(fā)展，文化的交流與融合，對于社會各個層面均會產生影響。比如“女權運動”對于夫妻關系的影響；再比如中國國家養(yǎng)老保險體系的建立和完善，將可能對中國傳統(tǒng)的“養(yǎng)兒防老”的思想產生沖擊，此時家庭關系，尤其是其中的父子關系將可能會發(fā)生變化。因而關注在這種制度變革中的人際間相互影響的變化，有利于全面的評估制度改革的效果，反過來輔助政策的制定、實施和完善。

相關熱詞搜索：對數 模型 據分析 成對數據分析之行動者-對象瓦依性模型(APIM) 對象瓦依性模型 對象互依性模型