亲社会实验室 | 人以群分：以个体为中心的方法在社会心理学研究中的运用

文献选读
Coco有话说

社会心理学家擅长设计精巧的实验，往往通过较为简单的统计方法（如方差分析）便能处理实验获得的数据，进而得到可靠的结论。然而，如果研究者想要回答诸如：对外群体持有偏见的人群包括哪几种亚类型、收入的高低能否预测一个人在一生中生活满意度变化轨迹的类别这类问题时，传统的数据处理方法就显得有心无力。但一些在发展与教育心理学等领域已得到较多运用的“以个体为中心”的方法，则能给社会心理学研究者回答上述问题提供更好的补充。

心理学的研究常常关注变量与变量之间的关系。例如，不同社会阶层者对社会公平与否的看法是否相同？人们对自己所处社会阶层的定位是如何随年龄增长而发展变化的？这些问题可以通过方差分析、回归分析或潜增长模型等方法得到解答。

除此之外，还有另外一些问题使社会心理学研究者感到好奇，例如：

① 人们如何定义自己的社会阶层，会不会存在客观上社会阶层比较低（高），但主观上却觉得自己的社会阶层比较高（低）的亚类别？
② 这些不同的亚类别是否随时间的推移而出现转化？
③ 人们对自己社会阶层的主观定位随年龄增长是否可能表现出稳定不变、逐渐上升和缓慢下降等不同的亚类型？这些亚类型各占多少比例？哪些因素能预测主观社会阶层定位在发展轨迹上的差异？

这些问题有一个共同特征，即假设我们所关注的群体并非同质，而可能存在一些异质的亚类别。要回答这些问题，需要用到“以个体为中心”的方法。

本期推文将结合研究实例，介绍潜类别/潜剖面分析（Latent Class Analysis, LCA/Latent Profile Analysis, LPA）、潜在转化分析（Latent Transition Analysis, LTA）和增长混合模型（Growth Mixture Modeling, GMM）等方法及其应用。

潜类别/潜剖面分析

潜类别分析（LCA）与潜剖面分析（LPA）是依据个体在观测变量上的反应模式，将人划分成不同潜在类别的一类方法。二者功能类似，但前者是针对类别变量的分析，后者是针对连续变量的分析。我们可以结合Meeusen等（2018）的研究来介绍潜类别/潜剖面分析。

偏见和歧视是社会心理学中的重要研究主题。有学者提出，有些人常常表现出普遍偏见（generalized prejudice）。也就是说，他们并非对某特殊群体抱有偏见，而是对几乎所有的外群体都持有较高的偏见。那么，这一类人真的存在吗？这一观点如何用统计方法进行验证？

如果用“以变量为中心”的验证性因素分析的方法（见下图），可以发现，人们对各个群体的偏见之间确实是正相关关系，我们还可以抽取出一个二阶的潜变量“普遍性偏见”，且模型拟合也可以接受。不过，这样做似乎并没有对上述问题给出最为直接的回答。

图：引自Meeusen et al (2018) at SPPS

Meeusen等（2018）在一个一千余人的比利时人样本中运用LCA分析的方法对这一问题给出了更为直接的答案。研究者发现，大体上，按照人们持有各类偏见的程度，可以将其分为5个类别：

① 无偏见组（即对所有群体的态度都很积极），占总体的28.6%；
② 普遍偏见组（即对所有群体的态度都很消极），占总体的17.9%；
③ 普遍种族偏见组（即对不同种族的态度都很消极，但对同性恋等其他类型的少数群体却没有偏见），占总体的28.6%；
④ 中等水平组（即对所有群体的态度都居中），占总体的15.8%；
⑤ 特异种族偏见组（即仅对罗马人和东欧人怀有偏见，对其他种族和其他类型的少数群体都不持有偏见），占总体的9.7%。

图：引自Meeusen et al (2018) at SPPS

可以看出，潜类别分析对普遍偏见在人群中是否存在这一问题的回答更为贴切。即：这一类人确实存在，在整体中大约占17.9%；同时，人群中还存在一些其他不同的类别。

在此基础上，研究者就可以继续分析：有哪些特征的人更可能属于普遍偏见组？普遍偏见组与其他组在具体的行为表现上又有何差异？

潜在转化分析

如果将潜类别/潜剖面分析的思路运用到追踪研究中，便可进行潜在转化分析。在此，我们用一个学业成绩的例子予以说明。

假如，我们收集某校高一学生语、数、英三门功课的成绩，并在其高三时再追踪收集一次。通过在两个时间点分别的潜剖面分析，得到以下三个组别：高分组、低分组、偏科组（例如语文和英语成绩高，但数学成绩低），但三个组在两个时间点上的比例并不相同。

从下表可以看出，高一时5%偏科的同学在高三时变成了高分组，而15%偏科的同学在高三时变成了低分组，还有10%则仍属于偏科组。

上述假设的例子便是潜在转化分析的基本思路。在此基础上，研究者可以进一步分析：为什么有的偏科同学可以变为高分组，而有的偏科同学却变成了低分组？其中的关键影响因素是什么？

如果把这一例子中的学业成绩转换成社会心理学研究所关注的构念，潜在转化分析便可帮助我们回答社会心理学领域的一些重要问题。

增长混合模型

增长混合模型可以描述某一构念随时间变化的趋势是否存在异质性，以及分析异质性存在的原因和后果。

例如，社会心理学家一直好奇，人在一生中幸福感的变化趋势是怎样的，以及一个人收入的提高和社会地位的变化是否真的能提升其幸福感。Heidemeier（2017）对这一问题进行了考察。

研究者通过对德国一个具有全国代表性的追踪数据库进行潜增长模型分析，发现德国人在25岁到65岁期间，生活满意度整体上呈现较为稳定的状态。不过，如果采用混合增长模型，则可以看到生活满意度随年龄增长的变化趋势，其实可以分成三个不同的亚类别：

① 高-稳定组（初始值较高，虽然有下降趋势，但一直维持在较高的水平），占总体的83%；
② 下降组（初始值较高，但随年龄增长出现明显下降），占总体的10%；
③ 低-提升组（初始值很低，但随年龄增长出现明显上升），占总体的7%。

图：引自Heidemeier al (2018) at EJSP

在发现了这三个亚类别的基础上，研究者进一步分析其原因，发现收入较高的人群更可能属于高-稳定组，而收入较低的人群更可能属于下降组和低-提升组。另外，下降组成员更多体验到了自身社会地位的向下流动，而低-提升组成员更多体验到了自身社会地位的向上流动。

类别数的确定

以上方法都假设我们所关注的群体中存在潜在的亚类别，那么，潜在类别的数目如何确定呢？在以个体为中心的分析方法中，有一些统计指标可以帮助我们确定最佳的潜在类别数目。

表：引自Meeusen et al (2018) at SPPS

① AIC、BIC、sample size-adjusted BIC(aBIC)等信息评价指标，这些值越小表明模型拟合越好；
② Entropy可以用于评价分类精确性，取值在0-1之间，越接近1表明分类越精确；
③ Bootstrap Likelihood Ratio Test (BLRT)和Lo–Mendell–Rubin likelihood ratio (LMR)等模型比较指标，这些检验如果显著，则说明k类比k-1类模型的拟合要更优。如上图中5类的BLRT值显著，证明5类优于4类；6类的BLRT值不显著，证明6类并没有更优于5类。因此，5类可能是一个比较好的选择。

需要注意的是，这些统计指标只是参考。最终潜在类别数目的确定，还需结合该研究所关注的问题、理论的推导、分类的可解释性和模型的简洁性等多个因素共同决定（Jung & Wickrama, 2008）。

总结

以个体为中心的方法虽然在社会心理学领域运用得还较少，但它们可以帮助回答社会心理学领域很多重要的理论问题。希望我们对这些方法的简要介绍，可以帮助相关研究者更好地理解有关文献，并在自己的研究中获得新的视角。

参考文献：

Heidemeier, H. (2017). Are economic conditions related to nonnormative life satisfaction development? Evaluating the relative impact of economic conditions, personality, and subjective health. European Journal of Social Psychology, 47(4), 383–398.

Jung, T., & Wickrama, K. A. (2008). An introduction to latent class growth analysis and growth mixture modeling. Social and Personality Psychology Compass, 2(1), 302–317.

Meeusen, C., Meuleman, B., Abts, K., & Bergh, R. (2018). Comparing a variable-centered and a person-centered approach to the structure of prejudice. Social Psychological and Personality Science, 9(6), 645–655.

推文作者：李文岐
插图：郭震
编辑：林靓
排版：董艺佳
本文由亲社会实验室原创，欢迎转发至朋友圈，如需转载请联系后台，征得作者同意后方可转载