Краткий план лонгитюдного исследования развития личности (подростковый — ранний взрослый возраст) с учётом биосоциальных детерминант и методов многомерного анализа.
1) Цель и гипотезы
- Цель: проследить динамику личностных черт и идентичности в возрасте от $12$ до $25$ лет и оценить вклад биологических (генетика, гормоны, нейроструктура) и социальных (СЭС, семейная привязанность, сверстники, стресс) факторов.
- Примеры гипотез: ранняя пубертатная гормональная активность и низкий СЭС предсказывают ускоренные изменения в импульсивности; существуют латентные траектории развития личности, связанные с биосоциальными профилями.
2) Дизайн и выборка
- Дизайн: ускоренный (cohort-sequential) лонгитюд с перекрывающимися когортами, чтобы покрыть возрастной диапазон $12$–$25$ за $4$–$6$ лет наблюдений.
- Частота волн: рекомендовано $5$–$6$ волн (пример: базис + каждые $1$–$2$ года).
- Размер выборки: целевой итоговый аналитический N $\ge 800$; исходный набор с учётом оттока $r$ рассчитывается как $N_0=\frac{N_{целев}}{1-r}$. При $r=0.25$ и $N_{целев}=800$ получаем $N_0=\frac{800}{0.75}\approx 1067$.
- Стратификация: по полу, СЭС, этнической принадлежности; возможно переотбор подгрупп для МРТ/омики.
3) Измерения (постоянные и волнообразные)
- Личность: фасетный Big Five (шкалы), импульсивность, эмоциональная стабильность, агрессия, идентичность/стадии когнитивного/социального развития.
- Психопатология/функциональность: депрессия, тревожность, внешние проявления, академическая/профессиональная адаптация.
- Биологические детерминанты:
- Генетика: генотипирование → полиgenic scores (PGS) для личности/психопатологии.
- Эпигенетика/метилирование (по подмножеству).
- Гормоны: сали́варный тест на кортизол, тестостерон, эстрадиол (утренние пробы).
- Нейровизуализация (подвыборка): структурное/функциональное МРТ.
- Физиология: сердечно‑сосудистые реактивность, сон (акселерометрия).
- Социальные детерминанты: СЭС семьи, стиль воспитания, качество отношений со сверстниками, школьный климат, жизненные события/стресс.
- Контрольные переменные: возраст в днях, пол, расово‑этническая идентичность, медицинский анамнез.
- Надёжность/инвариантность: проверять метрику измерений между волнами (measurement invariance).
4) Сбор данных и логистика
- Комбинация опросов (онлайн/бумага), лабораторные/полевые биопробы (салива), когнитивные задания, МРТ в подвыборке.
- Хранение биоматериалов замороженным, протоколы стандартизации.
- Этические процедуры: согласие родителей для несовершеннолетних, политика по возврату генетической информации, конфиденциальность.
5) Стратегии удержания
- Множественные контакты, гибкий график, вознаграждения, мобильные приложения для напоминаний, локальные центры/домашние визиты, ре‑контакт каждые $6$–$12$ месяцев.
6) Статистические методы (многомерный анализ)
- Базовая многоуровневая (mixed) модель / латентная модель роста:
- Линейная смешанная модель: $Y_{it}={\beta }_0+{\beta }_1{t}_{it}+u_{0i}+u_{1i}{t}_{it}+{ϵ}_{it}$, где $u_{0i},u_{1i}$ — случайные эффекты.
- Латентная кривая (LGCM) в SEM: оценка интерцепта, наклона и их дисперсий.
- Параллельные процессы: совместный LGCM для личности и биомаркеров (оценка перекрёстных эффектов).
- Growth mixture models (GMM): выявление субпопуляций траекторий.
- RI‑CLPM (random intercept cross‑lagged panel model): отделение стабильной индивидуальной разницы от внутри‑индивидных динамик.
- DSEM / Temporal network models: для интенсивных данных/интраиндивидуальных динамик.
- Латентные переходные анализы (LTA): для переходов в идентичности или категориальных стадиях.
- Интеграция многомодальных данных:
- Мультиомные методы: sparse PLS, MOFA, multi‑view clustering.
- CCA/PLS и машинное обучение (regularized regression, random forests, XGBoost) для предсказания траекторий.
- Квазикаузальный анализ: вызванность/инструменты, g‑методы (marginal structural models) для учёта времени-зависимых ковариатов.
- Обработка пропусков: FIML в SEM, множественная имputation (MI) с учётом сложной структуры.
- Коррекция множественной проверки: FDR или предэкспериментальная регистрация гипотез.
7) Протокол анализа (шаги)
- 1) Предварительная очистка, проверка инвариантности измерений.
- 2) Описательная статистика по волнам, оценка оттока и механизмов MAR/MNAR.
- 3) Одномерные LGCM для ключевых черт.
- 4) Параллельные LGCM и тестирование влияния биосоциальных предикторов (фиксированные и time‑varying).
- 5) GMM для поиска траекторий, затем профилирование по биосоциальным маркерам.
- 6) RI‑CLPM/DSEM для выяснения направленности эффектов между переменными.
- 7) Мультиомная интеграция и машинное обучение для предикции исходов.
- 8) Валидация на внешней/внутренней выборке, sensitivity‑анализы.
8) Требования по мощности
- Для LGCM/SEM минимальный рекомендуемый N: $\ge 200$–$300$; для надёжного GMM/подгрупп и генетических PGS — $\ge 1000$.
- Учитывать формулу отбора с учётом оттока (см. п.2).
9) Управление данными и репликация
- Пре‑регистрация анализа, публикация предварительного протокола.
- Стандарты хранения (анонимизация), data dictionary, репозиторий (при согласии участников).
- Скрипты анализа и пайплайны (R/Python) для воспроизводимости.
10) Этические и практические замечания
- Политика возврата персональных/генетических результатов, работа с уязвимыми группами, защита данных несовершеннолетних.
- Бюджет: значительные расходы на биосборы и МРТ, планирование резервов для удержания и повторных сборов.
Ключевые показатели успеха: репрезентативность когорты, низкий систематический отток, демонстрация инвариантности измерений и устойчивые мультиуровневые связи между биологическими/социальными факторами и траекториями личности.