Краткий исследовательский план и ключевые решения.
1) Цель и общая схема
- Цель: изучить внутри‑ и между‑личностные изменения идентичности в юности (примерно 10–21 год), факторы, указывающие на направления развития, и влияние когнитивных и социокультурных условий.
- Рекомендуемый дизайн: ускоренный лонгитюдный (cohort‑sequential) с комбинированными интенсивными «burst»‑волнами и ежегодными волнами; дополнительно EMA для краткосрочных динамик.
2) Поперечный vs лонгитюдный — преимущества и недостатки
- Поперечный (cross‑sectional)
- Плюсы: быстро, дешевле, нет проблем с тренировочным эффектом/атрицией, можно быстро получить возрастные срезы.
- Минусы: смешение возрастных и когортых эффектов (кохортная путаница), нельзя оценить внутриличного изменения и причинно‑временные зависимости.
- Лонгитюдный (longitudinal)
- Плюсы: позволяет оценить внутри‑личностную динамику, временные последовательности (что предшествует изменениям), применять модели роста (LGM), выявлять траектории и подтипы развития.
- Минусы: дороже, долго, риск отсева/атриции, тренировочные/ретест‑эффекты, требования к измерительной инвариантности по волнам.
3) Рекомендуемая схема выборки и график измерений
- Диапазон возрастов: 10–21 лет; ускоренный дизайн: три когорт по начальным возрастам (напр., 10, 13, 16) с ежегодными волнами в течение 5 лет, что даёт охват 10–21 за 3–5 лет.
- Интервалы: годовые волны + две короткие «burst»‑фазы (ежедневные EMA / еженедельные опросы в течение 2–4 недель) для анализа ситуативной идентичности.
- Стратификация по SES, этничности, полу; целевой оверхэмплинг малых групп.
- Размер выборки: минимум $N\approx 300$ для простых LGM; для GMM/многогрупповых сравнений лучше $N\ge 500\text{–}1000$.
4) Какие переменные измерять
- Основная исходная переменная — идентичность:
- Шкалы: U‑MICS, DIDS, EIPQ; возможно тематическое интервью (e.g., Eriksonian / Marcia coding) и narrative measures.
- Когнитивные переменные:
- Исполнительные функции (рабочая память, ингибирование), метапознание, рефлексивность, абстрактное мышление, перспектива‑taking, самоконцептуальная ясность.
- Социокультурные переменные:
- SES, семейная структура и стиль воспитания, родительская поддержка/контроль, качество привязанности, социометрические позиционирования сверстников, школьный контекст, медиа‑экспозиция, культурные ценности/norms, миграционный статус, религиозность.
- Контроли/ковариаты:
- Пубертатный статус/возраст начала, психопатология (депрессия, тревога), критические жизненные события, IQ/школьная успеваемость.
- Повторные/ситуативные индикаторы в EMA:
- Настроение, опыт межличностных конфликтов, идентификационные решения (выборы, роли) в конкретной ситуации.
5) Аналитические подходы
- Модели изменения: латентные ростовые модели (LGM), латентные классы роста / growth mixture models (GMM), мультиуровневые модели (MLM) для EMA, cross‑lagged panel models (CLPM), random intercept CLPM (RI‑CLPM), autoregressive latent trajectory (ALT).
- Межуровневые и мультипопуляционные сравнения: многоуровневые модели учитывают вложенность в школе/классе.
- Проверка измерительной инвариантности (по возрасту/волнам/полу) с помощью CFA/IRT перед сравнением средних или ростов.
Примеры формул:
- Простая LGM: $$y_{it}={\eta }_{0i}+{\eta }_{1i}t+{ϵ}_{it},$$ где ${\eta }_{0i},{\eta }_{1i}$ — случайные эффекты уровня и наклона.
- Для IPW веса: $$w_i=\frac{1}{{\hat{p}}_i},$$ где ${\hat{p}}_i$ — оценённая вероятность удержания участника.
- Для MI (Рубина): $$\bar{Q}=\frac{1}{m}\sum _{j=1}^m{Q}^{(j)},T=\bar{U}+\left(1+\frac{1}{m}\right)B,$$ где \(\bar U=\frac{1}{m}\sum U^{(j)},\; B=\frac{1}{m-1}\sum (Q^{(j)}-\bar Q)^2.\]
- FIML‑оценка при пропусках (общее): \[\ell(\theta)=\sum_i \log\int f(y_{i,obs},y_{i,mis}\mid\theta)\,dy_{i,mis}.\]
6) Работа с падающими (атриция) и отсекающими/цензурированными данными
- Диагностика: исследовать механизмы пропуска — MCAR, MAR, MNAR. Сравнить характеристики тех, кто выпал, и сохранившихся; моделировать вероятность удержания.
- Подходы при MAR:
- FIML в структурных/латентных моделях — предпочтительный при MAR.
- Множественная имputation (MICE/MI), затем объединение по Рубину (см. формулы выше).
- Атриция — корректировка через IPW: оценить \(\hat p_i=\Pr(\text{retention}\mid X_i)\), использовать веса $w_i$.
- Если есть признаки MNAR — проводить sensitivity‑анализы:
- Pattern‑mixture модели, selection модели, совместное моделирование исхода и механизма выпадения (joint models).
- Отсекающие/цензурированные данные времени (например, время до события/достижения идентичности):
- Использовать survival‑анализ (Cox, parametric) с учётом правой цензуры; при левостартовой выборке учитывать left‑truncation.
- Практические меры снижения пропусков:
- активный фоллоу‑ап, гибкие способы сбора (онлайн/телефон), компенсации, сбор контактов резервных лиц, привязка административных данных.
- Для EMA: учитывать неравномерность измерений, использовать MLM с неравными интервалами; для событийных данных — использовать временные маркеры.
7) Пайплайн анализа (кратко)
1. Описательная статистика, надёжность шкал, предварительная проверка выборки и отсева.
2. Проверка и обеспечение долгосрочной измерительной инвариантности.
3. Базовая LGM / MLM для общей динамики; если ожидается гетерогенность — GMM.
4. Добавление предикторов (когнитивных и социокультурных) как time‑varying и time‑invariant ковариат.
5. Инструменты для оценки причинно‑временных связей: CLPM/RI‑CLPM, лаговые предикторы, подвалы эндогенных эффектов.
6. Работа с пропусками: FIML как основной метод, MI и IPW как проверка, sensitivity‑анализы для MNAR.
7. Валидация результатов (репликация в независимой когорте / bootstrap / cross‑validation).
8) Короткие рекомендации по измерениям и мощности
- Частота измерений: ежегодно для глобальных трендов; EMA или ежемесячно для ситуативных процессов.
- Минимум для адекватной оценки LGM: $N\ge 200$; для GMM и мультигрупповых сравнений целиться в $N\ge 500\text{–}1000$.
- Обязательно тестировать устойчивость результатов к методам обработки пропусков.
Если нужно, могу подготовить конкретный план выборки (числа по когортам), список опросников и примерный код анализа (lavaan / Mplus / R) с реализацией FIML, MI и IPW.