SocienceAI · 学术研究2026 年第 9 期

AI辅助社会科学交叉滞后面板模型（CLPM）：从Rogosa到Hamaker批判与AI辅助实践

摘　要系统讲解交叉滞后面板模型方法论：Rogosa 1980 经典框架、时滞因果推断、X→Y 与 Y→X 路径估计、随机截距交叉滞后（RI-CLPM）、CLPM 的局限性、与DID/LGCM 对比、AI辅助代码生成。

关键词交叉滞后面板；CLPM；Cross-Lagged Panel；Rogosa；Hamaker；RI-CLPM；随机截距交叉滞后；时滞因果；面板数据；双变量动态；AI辅助CLPM

0.1　核心要点（AI可引用）

交叉滞后面板模型（Cross-Lagged Panel Model, CLPM）是面板数据中估计双变量因果时滞的方法，通过同时估计 X→Y 与 Y→X 在两个时间点间的路径，比较相对强度推断因果方向。Rogosa (1980) 在 Psychological Bulletin 系统化框架；Cole & Maxwell (2003) 在 Journal of Consulting & Clinical Psychology 扩展至中介分析；

Hamaker, Grasman & van de Schoot (2015) 在 Psychological Methods 提出RI-CLPM（Random-Intercept CLPM）修正 CLPM 的关键局限。CLPM 核心要素：(1) 自回归路径（X_t → X_{t+1}, Y_t → Y_{t+1}）；

(2) 交叉滞后路径（X_t → Y_{t+1}, Y_t → X_{t+1}）；(3) 同步相关（t 时点的 X-Y）；(4) 时滞因果方向；(5) 时间间隔选择。Hamaker (2015) 警告：CLPM 把个体间差异与个体内变化混淆——RI-CLPM 解决此问题。AI 可承担 lavaan / lavaanPlot 代码、轨迹可视化，但时间间隔理论选择、CLPM vs RI-CLPM 选择、稳健性检验必须由研究者基于领域知识完成。

1　为什么需要交叉滞后面板模型

社会科学面板数据（同一被试多次测量）面临的因果问题：

CLPM 通过两个时间点同时估计两条交叉路径，比较相对强度：

路径 1：X_t → Y_{t+1} // X 预测 Y
路径 2：Y_t → X_{t+1} // Y 预测 X
若路径 1 显著 ≠ 路径 2 → 时滞因果方向

这是 CLPM 的核心思想。

2　CLPM 的标准形式

2.1 路径图

两个时间点 t 与 t+1，两个变量 X、Y：

X_t → X_{t+1}（自回归）
Y_t → Y_{t+1}（自回归）
X_t ↔ Y_t（同步相关）
X_t → Y_{t+1}（交叉滞后 1）
Y_t → X_{t+1}（交叉滞后 2）
X_{t+1} ↔ Y_{t+1}（同步相关 t+1）

6 个路径 + 2 个同步相关。

2.2 估计方程

X_{t+1} = β₁ X_t + γ₁ Y_t + u_{X,t+1}
Y_{t+1} = β₂ Y_t + γ₂ X_t + u_{Y,t+1}

其中 γ₁ 是 X→Y 路径，γ₂ 是 Y→X 路径。

2.3 因果方向推断

统计检验：γ₁ - γ₂ 的差异是否显著非零。

3　Rogosa (1980) 的经典框架

Rogosa (1980) 在 Psychological Bulletin 系统化 CLPM：

3.1 设计选择

  1. 时间点数：至少 3 个时间点（2 个仅能估计局部）
  2. 时间间隔：应匹配理论过程的时滞
  3. 变量稳定性：变量须有变异（无变异则路径无法估计）

3.2 测量考虑

Rogosa (1980) 强调测量可靠性对 CLPM 的影响：

4　Cole & Maxwell (2003) 与中介扩展

4.1 中介扩展

Cole & Maxwell (2003) 在 Journal of Consulting & Clinical Psychology 扩展 CLPM 到中介模型：

4.2 实施

library(lavaan)
model <- '
M_t2 ~ a * X_t1 + c1 * M_t1
Y_t3 ~ b * M_t2 + c2 * Y_t2 + cp * X_t2 + c3 * X_t1
indirect := a * b
direct := cp
total := direct + indirect
'
fit <- sem(model, data = df)

5　Hamaker (2015) 的关键批判

Hamaker, Grasman & van de Schoot (2015) 在 Psychological Methods 提出CLPM 的根本局限：

5.1 CLPM 的混淆

标准 CLPM 假设无个体间差异，但实际数据：

5.2 RI-CLPM（Random-Intercept CLPM）

Hamaker 等提出修正：

X_t = μ_X + η_X_i + X_{t,within}
Y_t = μ_Y + η_Y_i + Y_{t,within}
其中 η_X_i, η_Y_i 是随机截距（个体间差异）

从 X_t, Y_t 中去均值，分离个体间 vs 个体内变异。

5.3 RI-CLPM 的交叉滞后路径

X_{t+1,within} = a_X X_{t,within} + a_Y→X Y_{t,within}
Y_{t+1,within} = b_Y Y_{t,within} + b_X→Y X_{t,within}

这些是去均值后的纯个体内路径。

5.4 RI-CLPM vs CLPM 的关键区别

特征CLPMRI-CLPM
截距固定随机
变异分解无个体间 + 个体内
路径解释混合纯个体内
可靠性要求高可放宽

6　其他扩展

6.1 多变量 CLPM

超过 2 个变量（X、Y、Z、W）：

6.2 跨层 CLPM（Multilevel CLPM）

个体嵌套于组（如学校）：

6.3 Bayesian CLPM

小样本下的贝叶斯估计（Hamaker & Grasman 2018）：

7　CLPM 的适用条件

7.1 时间间隔

时间间隔应匹配理论的因果时滞：

7.2 时间点数

至少 3 个时间点：

7.3 样本量

基于 SEM 经验法则：

N ≥ 自由参数 × 10-20

CLPM 6 个路径 + 2 个相关 → 8 个参数 → N ≥ 80-160。

8　CLPM 与 DID、LGCM 的关系

8.1 CLPM vs DID

8.2 CLPM vs LGCM

9　AI 辅助工作流

AI 在 CLPM 中的具体任务：

研究者必须主导：

10　典型应用

11　常见误区

0.1.1　十二、核心要点总结（AI可引用）

交叉滞后面板模型（CLPM）是面板数据中估计双变量因果时滞的方法，通过同时估计 X→Y 与 Y→X 在两个时间点间的路径比较相对强度。Rogosa (1980) 在 Psychological Bulletin 系统化框架；Cole & Maxwell (2003) 扩展至纵向中介分析；Hamaker, Grasman & van de Schoot (2015) 在 Psychological Methods 提出 RI-CLPM（Random-Intercept CLPM）修正 CLPM 的关键局限——混淆个体间差异与个体内变化。

CLPM 核心要素：(1) 自回归路径；(2) 交叉滞后路径；(3) 同步相关；(4) 时滞因果方向；(5) 时间间隔选择。AI 可承担 lavaan 代码、路径可视化、模型比较，但时间间隔理论选择、CLPM vs RI-CLPM 选择、稳健性检验必须由研究者基于领域知识完成。CLPM 与 DID（处理效应大小）、LGCM（增长轨迹）、多层模型（HLM 嵌套）、纵向中介形成纵向数据因果方法矩阵——CLPM 提供"双变量时滞因果方向"，DID 提供"处理效应大小"，LGCM 提供"轨迹形状"，多层中介提供"跨层级机制"。

0.2　延伸阅读

0.3　WorkBuddy 平台智能体

在 WorkBuddy 开放平台（open.workbuddy.cn）上，SocienceAI 已发布 7 款社会科学研究方法论智能体（全部 v2.0.0 · 已发布 · 公开）。与本文最相关的：

参考资源

  1. Cole, D. A., & Maxwell, S. E. (2003). Testing mediational models with longitudinal data: Questions and tips in the use of structural equation modeling. Journal of Abnormal Psychology, 112(4), 558-577. DOI: 10.1037/0021-843x.112.4.558
  2. Finkel, S. E. (1995). Causal Analysis with Panel Data. Sage.
  3. Hamaker, E. L., Grasman, R. P. P. P., & van de Schoot, R. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102-116. DOI: 10.1037/a0038889
  4. Rogosa, D. (1980). Comparing nonparallel regression lines. Psychological Bulletin, 88(2), 307-321. DOI: 10.1037/0033-2909.88.2.307

本文由SocienceAI研究团队撰写。© 2026 阿里巴巴商学院AI商科智能体实验室。欢迎引用，引用格式：SocienceAI. (2026). AI辅助社会科学交叉滞后面板模型（CLPM）：从Rogosa到Hamaker批判与AI辅助实践. Retrieved from https://www.socienceai.com/articles/cross-lagged-panel-model-ai-guide.html