博士论坛-群组轨迹模型

内容

一、背景介绍

梅永霞博士指出随着纵向设计研究越来越多，其分析方法也越来越丰富，以往潜变量增长曲线模型与多层线性模型在关注总体平均发展趋势外，还注重个体发展趋势差异，但仍假设研究样本存在相同的发展轨迹。近年来，研究者们发现个体间的发展轨迹可能存在差异，可将群体划分为不同的轨迹组，亚组间发展轨迹有所不同。

二、模型简介

群组轨迹模型主要用于研究群体异质性，旨在识别群体内遵循不同发展轨迹的亚组，并描绘亚组成员的发展轨迹曲线。该模型最早应用于犯罪学领域。Nagin等应用非参混合泊松模型对犯罪生涯进行建模，并对模型进行了改进，进而成为群组轨迹模型。梅永霞博士进一步讲解到，群组轨迹模型多适用于处理纵向数据，可以用于识别某一变量在不同时间点的亚组轨迹，探讨多变量轨迹之间的关系并且可将干预作为预测变量。此外，梅永霞博士对群组轨迹的成分进行了讲解，其包含每组的预测轨迹及总体中随机选择的成员属于每个组的概率两个基本成分。三、步骤流程

介绍该模型基本原理后，梅永霞博士结合相关高质量文献，对模型的步骤流程进行了详细讲解，主要包括三个步骤，即探索最优组数、选择最优多项式、模型评价。在此基础上，梅永霞博士分别从模型选择、模型分组、模型诊断指标等角度对其应用步骤的注意事项进行了总结，使得论坛中的各位学者对该模型的应用及内涵有了更深入的理解。四、应用举例

近年来，轨迹模型在医学领域的应用不断增多，包括探索总体中可能存在的亚组、按基线指标分层研究分组与结果间的联系、揭示分组与基线协变量及预后结果之间的关联、研究协变量与分组对结果影响的交互作用等，梅永霞博士结合多篇高质量的文献对群组轨迹模型的应用现状进行了细致讲解。五、软件应用

群组轨迹模型的分析可以通过SAS、Stata、R等多种统计软件实现，梅永霞博士以Stata软件为例，介绍了群组轨迹模型的具体操作过程。梅永霞博士进一步讲解到，在探索最优组数时，应从小的组数开始，逐渐增加；可结合专业知识和理论依据指定组数或多项式阶数，最终模型应在充分呈现数据特征的同时兼具简洁性；多项式函数应逐渐降低阶数，得出最优多项式函数。论坛的最后，梅永霞博士对群组轨迹模型的的优势与不足进行了总结。基于群组轨迹模型对纵向数据处理的优势，目前正在医学领域得到广泛的应用，相比传统数据处理方法，它可以从纵向数据中识别出不同的发展轨迹进而为临床诊疗提供参考，因此对模型理论体系及其应用进行深入探索非常有意义。然而，基于群组轨迹模型在应用中仍然存在包括缺乏统一的最优判断标准、模型结果报告的可用指南较少、对缺失数据的处理方法不够成熟等问题。此外，模型扩展形式，如多轨迹模型，在选择组数时操作复杂且缺少客观标准，尚需深入研究。