Modele cross-lagged: logika, założenia i interpretacja CLPM oraz RI-CLPM

Autor: Konrad Hryniewicz · Opublikowano i zaktualizowano: 7 września 2026

Jaka jest logika modelu cross-lagged?

Wyobraźmy sobie trzy pomiary stresu i jakości snu. Korelacja stresu z późniejszym snem nie wystarcza, bo osoby stale bardziej zestresowane mogą też stale gorzej spać. Model musi zapytać o coś trudniejszego: czy stres w chwili t wnosi informację o śnie w chwili t + 1, gdy znamy wcześniejszy sen? Równocześnie trzeba oszacować kierunek odwrotny — czy sen przewiduje późniejszy stres — oraz trwałość obu zmiennych.

W typowym dwuzmiennowym modelu znajdują się cztery rodzaje zależności:

1. ścieżki autoregresyjne, np. stres₁ → stres₂, opisujące przewidywalność kolejnego pomiaru z poprzedniego;
2. ścieżki krzyżowo-opóźnione, np. stres₁ → sen₂ i sen₁ → stres₂;
3. współzależności w tym samym czasie, zwykle kowariancje wartości początkowych i innowacji w kolejnych falach;
4. średnie, trendy i różnice stałe, których sposób modelowania decyduje, czy wynik mówi o osobach, czy o zmianie w osobie.

Co dokładnie estymuje klasyczny CLPM?

Współczynnik b opisuje związek wcześniejszego Y z późniejszym X po statystycznym uwzględnieniu wcześniejszego X. Współczynnik d dotyczy kierunku odwrotnego. Parametry a i c są autoregresją. Reszty ε oznaczają część późniejszego wyniku, której model nie przewidział. W równaniu nie ma jeszcze rozdzielenia stabilnej skłonności osoby od jej chwilowego odchylenia.

To rozróżnienie zmienia sens wyniku. Stwierdzenie „osoby bardziej zestresowane od innych gorzej śpią” opisuje relację między osobami. Stwierdzenie „kiedy dana osoba jest bardziej zestresowana niż zwykle, później śpi gorzej niż zwykle” opisuje relację wewnątrz osoby. Te zależności mogą różnić się siłą, a nawet znakiem. Curran i Bauer (2011) oraz Hamaker, Kuiper i Grasman (2015) pokazują, że łączenie ich w jednym współczynniku prowadzi do niejasnej lub błędnej interpretacji.

Dlaczego RI-CLPM odpowiada na inne pytanie?

Random Intercept Cross-Lagged Panel Model dodaje dla każdej zmiennej latentny losowy wyraz wolny. Przechwytuje on trwałą pozycję osoby względem innych uczestników. Obserwowany wynik rozkłada się wtedy na średnią grupową w danym czasie, stabilny składnik osoby i chwilowe odchylenie:

μ_x,t to średnia w danej fali, κ_x,i — stała różnica między osobą a populacją, a x^*_i,t — odchylenie osoby od jej oczekiwanego poziomu. Dopiero między tymi odchyleniami estymuje się autoregresję i ścieżki krzyżowo-opóźnione. Ścieżka stres^*_t → sen^*_t+1 odpowiada więc na pytanie, czy okres z nietypowo wysokim stresem zapowiada odchylenie snu od typowego poziomu tej samej osoby.

Najważniejsze założenia metodologiczne

1. Liczba fal musi pozwalać oddzielić procesy

Dwie fale pokazują kolejność, ale zwykle nie pozwalają wiarygodnie odróżnić stabilnych cech, trendów i dynamiki. Dla RI-CLPM praktycznym minimum są trzy fale, chociaż trzy pomiary nadal dają skromne możliwości sprawdzania kształtu zmian i heterogeniczności. W analizie mediacji podłużnej potrzebne są co najmniej trzy uporządkowane pomiary dla łańcucha X → M → Y; nie oznacza to jednak, że każdy model trójfalowy jest dobrze zidentyfikowany.

2. Odstęp czasu musi odpowiadać szybkości procesu

Efekt może być widoczny po godzinie, zaniknąć po tygodniu albo dopiero narastać przez miesiące. Współczynnik cross-lagged jest zatem własnością zmiennych i wybranego odstępu, a nie stałą cechą relacji. Przy mocno nierównych odstępach model dyskretnego czasu może być źle określony; należy rozważyć model czasu ciągłego lub bezpośrednio uwzględnić różnice w czasie.

3. Pomiar powinien znaczyć to samo w kolejnych falach

Jeżeli stres w pierwszej fali mierzono inną treścią lub skalą niż w trzeciej, pozorna zmiana może być zmianą narzędzia. Dla konstruktów latentnych należy ocenić podłużną inwariancję pomiaru. Dla pojedynczych wyników sumarycznych trzeba wykazać porównywalność procedury, kodowania i rzetelności. RI-CLPM z jednym wskaźnikiem na falę nie oddziela automatycznie błędu pomiaru od chwilowej zmienności.

4. Równość ścieżek w czasie jest hipotezą, nie ustawieniem technicznym

Oznaczenie obu ścieżek tą samą etykietą zakłada stacjonarność parametrów: np. wpływ stresu między falą 1 i 2 jest równy wpływowi między falą 2 i 3. Ograniczenie warto porównać z modelem, w którym ścieżki są różne, i uzasadnić merytorycznie. W intensywnych szeregach warunek stabilności autoregresji można oceniać także przez wartości własne macierzy przejścia; powinny leżeć wewnątrz koła jednostkowego.

5. Model musi uwzględniać oba kierunki i współczesne innowacje

Pominięcie kierunku odwrotnego może przypisać jednej zmiennej efekt, który wynika z procesu zwrotnego. Falkenström, Solomonov i Rubel (2022) pokazali w symulacjach, że proste modele wielopoziomowe bez pełnej dynamiki potrafią prowadzić do istotnego wyniku o błędnym znaku. Kowariancja innowacji w tej samej fali jest równie ważna: wspólne zdarzenie może jednocześnie zmienić obie zmienne.

6. Brak niezmierzonych zakłóceń jest bardzo silnym warunkiem

Aby ścieżkę interpretować przyczynowo, innowacja w późniejszej zmiennej nie może być skorelowana z wcześniejszym predyktorem po warunkowaniu na modelu. W praktyce wymagałoby to braku pominiętych zmiennych zależnych od czasu, poprawnej obsługi wcześniejszych zakłóceń, właściwej kolejności pomiarów i braku selekcji. Lucas (2023) wyjaśnia, dlaczego w obserwacyjnych panelach warunki te są rzadko przekonujące. Bez dodatkowego projektu i analizy wrażliwości piszemy o predykcji czasowej, nie o wpływie przyczynowym.

7. Braki danych i odpływ uczestników nie mogą być ignorowane

FIML lub imputacja wielokrotna mogą być uzasadnione pod założeniem MAR warunkowo względem zmiennych w modelu. Trzeba pokazać liczbę osób w każdej fali, wzorce braków, przyczyny rezygnacji i analizę wrażliwości. Usunięcie wszystkich niepełnych przypadków zmienia próbę i może zniekształcić dynamikę.

8. Średni efekt może ukrywać różnice między osobami

RI-CLPM zwykle zakłada wspólne nachylenia. Tymczasem u części osób stres może zapowiadać pogorszenie snu, a u innych związek może być słaby lub odwrotny. Wu, Carroll i Chen (2018) pokazują, że pominięcie losowych efektów może zaniżać lub zawyżać błędy standardowe i efekty pośrednie. Przy wielu pomiarach warto rozważyć losowe nachylenia, dynamic SEM lub wielopoziomowy model autoregresyjny.

Jak wybrać model do pytania badawczego?

Przykład interpretacji: stres i sen

Załóżmy, że 600 osób wypełniło tę samą skalę stresu i snu w trzech równych odstępach. W danych syntetycznych celowo ustawiono stabilne różnice między osobami, autoregresję obu procesów oraz kierunek od stresu do późniejszego snu. Nie ustawiono natomiast efektu snu na późniejszy stres. To pozwala sprawdzić, czy model odzyskuje znaną strukturę.

RI-CLPM rozdzielił trwałe różnice od zmian wewnątrzosobowych. Wyższy niż zwykle stres przewidywał niższą niż zwykle jakość snu w kolejnej fali: b = −0,21, SE = 0,06, 95% CI [−0,33; −0,09], p = 0,001. Odwrotna ścieżka była mała i nieprecyzyjna: b = −0,05, SE = 0,06, 95% CI [−0,17; 0,07], p = 0,386. Wynik nie oznacza, że stres przyczynowo pogorszył sen — potwierdza kierunkową predykcję warunkową w wygenerowanym modelu.

Dla porównania klasyczny CLPM w tej samej realizacji wskazał istotną ścieżkę snu do późniejszego stresu mimo tego, że prawdziwy parametr symulacji wynosił zero. To pojedyncza demonstracja, nie dowód ogólny, ale dobrze pokazuje problem opisany przez Hamaker i współpracowników (2015) oraz Lucasa (2023): stabilna wariancja międzyosobowa może zmieniać znaczenie efektów cross-lagged.

Przykład całościowego raportowania w APA 7

Kod R: odtwarzalny RI-CLPM w lavaan

Kod poniżej generuje dane o znanych parametrach i estymuje model wykorzystany w przykładzie. Został uruchomiony od czystej sesji w R 4.5.3 i lavaan 0.7-2. W analizie rzeczywistej nie kopiuj ograniczeń równości automatycznie: najpierw sprawdź projekt, rozkłady, braki, inwariancję pomiaru oraz model bez ograniczeń.

library(lavaan)

set.seed(20260907)
N <- 600

# Dane syntetyczne: dwie cechy stałe i odchylenia wewnątrzosobowe.
ri <- MASS::mvrnorm(N, mu = c(0, 0),
                    Sigma = matrix(c(1, -0.25, -0.25, 1), 2, 2))
w_stres <- w_sen <- matrix(NA_real_, N, 3)
w_stres[, 1] <- rnorm(N, 0, 0.75)
w_sen[, 1] <- rnorm(N, 0, 0.75)

for (t in 2:3) {
  w_stres[, t] <- 0.38 * w_stres[, t - 1] +
                   0.00 * w_sen[, t - 1] + rnorm(N, 0, 0.55)
  w_sen[, t] <- 0.44 * w_sen[, t - 1] -
                 0.21 * w_stres[, t - 1] + rnorm(N, 0, 0.55)
}

dane <- data.frame(
  stres1 = ri[, 1] + w_stres[, 1], sen1 = ri[, 2] + w_sen[, 1],
  stres2 = ri[, 1] + w_stres[, 2], sen2 = ri[, 2] + w_sen[, 2],
  stres3 = ri[, 1] + w_stres[, 3], sen3 = ri[, 2] + w_sen[, 3]
)

ri_clpm <- '
  # Random intercepts: stable between-person differences.
  RI_stres =~ 1*stres1 + 1*stres2 + 1*stres3
  RI_sen   =~ 1*sen1   + 1*sen2   + 1*sen3

  # Latent within-person deviations.
  ws1 =~ 1*stres1; ws2 =~ 1*stres2; ws3 =~ 1*stres3
  wn1 =~ 1*sen1;   wn2 =~ 1*sen2;   wn3 =~ 1*sen3
  stres1 ~~ 0*stres1; stres2 ~~ 0*stres2; stres3 ~~ 0*stres3
  sen1 ~~ 0*sen1; sen2 ~~ 0*sen2; sen3 ~~ 0*sen3

  # Equal dynamic paths across intervals: an assumption to test.
  ws2 ~ a*ws1 + b*wn1
  ws3 ~ a*ws2 + b*wn2
  wn2 ~ c*wn1 + d*ws1
  wn3 ~ c*wn2 + d*ws2

  RI_stres ~~ RI_sen
  RI_stres ~~ 0*ws1 + 0*wn1
  RI_sen   ~~ 0*ws1 + 0*wn1
  ws1 ~~ wn1; ws2 ~~ wn2; ws3 ~~ wn3
'

fit_ri <- lavaan(ri_clpm, data = dane, estimator = 'MLR',
                 meanstructure = TRUE, int.ov.free = TRUE,
                 auto.var = TRUE, auto.fix.first = FALSE,
                 auto.cov.lv.x = FALSE)

lavInspect(fit_ri, 'converged')
fitMeasures(fit_ri, c('chisq.scaled', 'df.scaled', 'pvalue.scaled',
                       'cfi.scaled', 'tli.scaled', 'rmsea.scaled',
                       'rmsea.ci.lower.scaled', 'rmsea.ci.upper.scaled', 'srmr'))
subset(parameterEstimates(fit_ri, ci = TRUE),
       op == '~' & lhs %in% c('ws2', 'wn2'))

# Classic CLPM fitted to the same data for a sensitivity comparison.
clpm <- '
  stres2 ~ a*stres1 + b*sen1
  stres3 ~ a*stres2 + b*sen2
  sen2 ~ c*sen1 + d*stres1
  sen3 ~ c*sen2 + d*stres2
  stres1 ~~ sen1
  stres2 ~~ sen2
  stres3 ~~ sen3
'
fit_clpm <- sem(clpm, data = dane, estimator = 'MLR', meanstructure = TRUE)
fitMeasures(fit_clpm, c('chisq.scaled', 'df.scaled', 'pvalue.scaled',
                         'cfi.scaled', 'tli.scaled', 'rmsea.scaled', 'srmr'))
subset(parameterEstimates(fit_clpm, ci = TRUE),
       op == '~' & lhs %in% c('stres2', 'sen2'))
sessionInfo()

Pobierz kompletny skrypt R do przykładu RI-CLPM

Python: kontrola danych przed estymacją

Poniższy kod nie udaje pełnego RI-CLPM. Służy do audytu liczby fal, odstępów, braków oraz rozdzielenia opisowej korelacji międzyosobowej i wewnątrzosobowej. Estymację modelu latentnego wykonaj w oprogramowaniu, które jawnie obsługuje tę specyfikację i pozwala ocenić identyfikację. Proste odwzorowanie pojedynczych wskaźników w ogólnym pakiecie SEM może być niezidentyfikowane.

import pandas as pd

dane = pd.read_csv("dane_panelowe_long.csv")
dane["czas"] = pd.to_datetime(dane["czas"])
dane = dane.sort_values(["id", "czas"])

# 1. Czy każda osoba ma właściwą liczbę fal?
print(dane.groupby("id")["fala"].nunique().value_counts().sort_index())

# 2. Czy odstępy czasowe są porównywalne?
dane["odstep_dni"] = dane.groupby("id")["czas"].diff().dt.days
print(dane["odstep_dni"].describe())

# 3. Braki według fali i zmiennej.
print(dane.groupby("fala")[["stres", "sen"]].agg(lambda x: x.isna().mean()))

# 4. Rozdzielenie korelacji międzyosobowej i wewnątrzosobowej.
srednie = dane.groupby("id")[["stres", "sen"]].mean()
dane = dane.join(srednie, on="id", rsuffix="_srednia_osoby")
dane["stres_wp"] = dane["stres"] - dane["stres_srednia_osoby"]
dane["sen_wp"] = dane["sen"] - dane["sen_srednia_osoby"]

print("Korelacja między osobami:", srednie.corr().loc["stres", "sen"])
print("Korelacja wewnątrz osób:", dane[["stres_wp", "sen_wp"]].corr().iloc[0, 1])

IBM SPSS Statistics: przygotowanie i kontrola danych

Podstawowy SPSS nie oferuje natywnej procedury latentnego RI-CLPM równoważnej specyfikacji w lavaan. Składnia przygotowuje dane i porównuje opisowe relacje między- i wewnątrzosobowe; nie wolno przedstawiać wyniku z MIXED jako automatycznego zamiennika pełnego dwukierunkowego RI-CLPM.

* Dane w układzie długim: id, fala, czas, stres, sen.
SORT CASES BY id fala.

* Liczba obserwacji i rozkłady w każdej fali.
SPLIT FILE LAYERED BY fala.
DESCRIPTIVES VARIABLES=stres sen /STATISTICS=MEAN STDDEV MIN MAX.
FREQUENCIES VARIABLES=stres sen /FORMAT=NOTABLE /MISSING=INCLUDE.
SPLIT FILE OFF.

* Średnie osobowe i odchylenia wewnątrzosobowe.
AGGREGATE OUTFILE=* MODE=ADDVARIABLES
 /BREAK=id
 /stres_srednia_osoby=MEAN(stres)
 /sen_srednia_osoby=MEAN(sen).
COMPUTE stres_wp=stres-stres_srednia_osoby.
COMPUTE sen_wp=sen-sen_srednia_osoby.
EXECUTE.

CORRELATIONS VARIABLES=stres_srednia_osoby sen_srednia_osoby.
CORRELATIONS VARIABLES=stres_wp sen_wp.

* Opcjonalny układ szeroki do kontroli kolejności fal.
SORT CASES BY id fala.
CASESTOVARS /ID=id /INDEX=fala /GROUPBY=VARIABLE.

Najczęstsze błędy w badaniach cross-lagged

• „X poprzedza Y, więc X powoduje Y”. Pierwszeństwo czasowe jest potrzebne, lecz nie usuwa pominiętych zakłóceń, selekcji ani błędu pomiaru.
• Interpretowanie CLPM jako procesu wewnątrzosobowego. Bez jawnej dekompozycji parametr może zawierać stabilne różnice między ludźmi.
• Jedna strzałka bez kierunku odwrotnego. Reciprocal effects są istotą pytania, a pominięcie jednego kierunku może zniekształcić drugi.
• Mechaniczne ograniczanie ścieżek do równości. Równość w czasie musi być testowaną hipotezą, zwłaszcza gdy odstępy lub kontekst fal się różnią.
• Dwie fale i mocny wniosek. Taki projekt nie rozróżnia wielu konkurencyjnych procesów i nie pozwala dobrze modelować stabilnego składnika.
• Porównywanie „istotnej” i „nieistotnej” ścieżki. Różnicę kierunków trzeba przetestować bezpośrednio, np. przez ograniczenie parametrów lub kontrast.
• Ignorowanie heterogeniczności. Średni współczynnik może nie opisywać żadnej konkretnej osoby.
• Wybieranie odstępu po wynikach. Czas pomiaru powinien wynikać z teorii procesu, pilotażu lub prerejestracji.

Lista kontrolna przed publikacją

• Zdefiniuj, czy pytanie dotyczy różnic między osobami, zmian w osobie, czy obu poziomów.
• Uzasadnij liczbę fal i odstęp czasu względem mechanizmu teoretycznego.
• Sprawdź porównywalność pomiaru, kodowania i znaczenia skali w czasie.
• Uwzględnij autoregresję, oba kierunki cross-lagged i kowariancje innowacji.
• Oddziel średni trend, stabilne różnice i odchylenia chwilowe zgodnie z pytaniem.
• Porównaj model z sensownymi alternatywami, zamiast wybierać tylko na podstawie dopasowania.
• Pokaż estymaty, SE, CI, N w każdej fali, sposób obsługi braków i pełną specyfikację.
• Wnioski przyczynowe ogranicz do tego, co rzeczywiście uzasadnia projekt i założenia.
• Udostępnij składnię, wersje oprogramowania oraz decyzje podjęte po obejrzeniu danych.

Treść opracowano na podstawie pięciu publikacji przekazanych przez autora strony oraz powiązanej literatury metodologicznej. Przykład obliczeniowy wykorzystuje wyłącznie dane syntetyczne; wartości nie opisują realnej populacji.

@article{curran2011disaggregation, author={Curran, Patrick J. and Bauer, Daniel J.}, title={The Disaggregation of Within-Person and Between-Person Effects in Longitudinal Models of Change}, journal={Annual Review of Psychology}, year={2011}, volume={62}, pages={583--619}, doi={10.1146/annurev.psych.093008.100356}}

@article{curran2014separation, author={Curran, Patrick J. and Howard, Andrea L. and Bainter, Sierra A. and Lane, Stephanie T. and McGinley, Jennifer S.}, title={The Separation of Between-Person and Within-Person Components of Individual Change Over Time}, journal={Journal of Consulting and Clinical Psychology}, year={2014}, volume={82}, number={5}, pages={879--894}, doi={10.1037/a0035297}}

@article{falkenstrom2022crosslagged, author={Falkenström, Fredrik and Solomonov, Nili and Rubel, Julian A.}, title={How to Model and Interpret Cross-Lagged Effects in Psychotherapy Mechanisms of Change Research}, journal={Journal of Consulting and Clinical Psychology}, year={2022}, volume={90}, number={5}, pages={446--458}, doi={10.1037/ccp0000727}}

@article{hamaker2015critique, author={Hamaker, Ellen L. and Kuiper, Rebecca M. and Grasman, Raoul P. P. P.}, title={A Critique of the Cross-Lagged Panel Model}, journal={Psychological Methods}, year={2015}, volume={20}, number={1}, pages={102--116}, doi={10.1037/a0038889}}

@article{lucas2023clpm, author={Lucas, Richard E.}, title={Why the Cross-Lagged Panel Model Is Almost Never the Right Choice}, journal={Advances in Methods and Practices in Psychological Science}, year={2023}, volume={6}, number={1}, pages={1--22}, doi={10.1177/25152459231158378}}

@article{rosseel2012lavaan, author={Rosseel, Yves}, title={lavaan: An R Package for Structural Equation Modeling}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}

@article{schuurman2016compare, author={Schuurman, Noémi K. and Ferrer, Emilio and de Boer-Sonnenschein, Marieke and Hamaker, Ellen L.}, title={How to Compare Cross-Lagged Associations in a Multilevel Autoregressive Model}, journal={Psychological Methods}, year={2016}, volume={21}, number={2}, pages={206--221}, doi={10.1037/met0000062}}

@article{usami2019unified, author={Usami, Satoshi and Murayama, Kou and Hamaker, Ellen L.}, title={A Unified Framework of Longitudinal Models to Examine Reciprocal Relations}, journal={Psychological Methods}, year={2019}, volume={24}, number={5}, pages={637--657}, doi={10.1037/met0000210}}

@article{wu2018random, author={Wu, Wei and Carroll, Ian A. and Chen, Po-Yi}, title={A Single-Level Random-Effects Cross-Lagged Panel Model for Longitudinal Mediation Analysis}, journal={Behavior Research Methods}, year={2018}, volume={50}, pages={2111--2124}, doi={10.3758/s13428-017-0979-2}}

@article{yu2015multilevel, author={Yu, Ge and Sessions, John G. and Fu, Yuting and Wall, Martin}, title={A Multilevel Cross-Lagged Structural Equation Analysis for Reciprocal Relationship Between Social Capital and Health}, journal={Social Science & Medicine}, year={2015}, volume={142}, pages={1--8}, doi={10.1016/j.socscimed.2015.08.004}}