1潜状态-特质模型(latent state-trait model, LST)概述

许多心理属性很难严格的区分是稳定的特质还是瞬变的状态，更可能是两种状态的混合(Hertzog & Nesselroade, 1987)。传统的特质理论假设特质是一种“宽泛的、聚焦的神经生理系统，它使许多刺激在机能上等值，能够激发和引导形式一致的适应行为和表现性行为”(Allport, 1937)。因此特质具有跨时间的稳定性和跨情景的一致性，并且是行为的决定因素即特质决定行为，行为是特质的外在表现。传统的因子模型代表特质论的观点，稳定的特质作为公因子被提取。换句话说，条目方差被分解为稳定的特质方差和测量误差。

然而一些研究发现行为并非像特质理论预测的那样稳定，例如Hartshorne和May(1928)研究发现，道德行为在不同情境中的一致性只有.23。Mischel(1968)批评说:“特质不是人格的有效描述，人的行为主要取决于情境，使用特质测量并不能有效的预测行为”，这显然给特质理论学派当头一棒。为了反击这些批评或解决特质论自身的危机，特质学者们提出了一些解决途径，潜状态-特质理论(latent state-trait theory/model, LST)就是其中之一。

2 LST的基本形式

潜状态-特质理论认为人类的认知，情绪和行为是受个体特质、情境特征以及特质与情境交互共同作用的结果。与传统的因子模型不同，潜状态-特质模型中存在三个潜变量(occasion factor, O_t)：状态潜变量(S, latent state variable)，特质潜变量(T, latent trait variable)和情境因子。状态潜变量是指，在特定的场合影响个体行为的潜在因素，这个因素包括个体稳定的心理特质，当时的情境状态以及特质与情境交互作用的影响。观测指标由状态潜变量和测量误差组成，Y_ik = S_ik + e_ik；状态潜变量由特质潜变量和情境潜变量组成S_ik = T+O_k，因此指标Y_ik =T+O_ik+ e_ik。

LST的基本形式将观测指标方差分解成3个成分：稳定的特质T，测量场合特定因子或情境因子O和测量误差E。

Y_ik =λ_ikT+δ_ikO_k+ e_ik

K表示测量场合；i表示个体在测量场合k时的第i个测量指标。λ_ik指标在特质上的因子负荷，δ_ik指标在情境因子上的因子负荷。

http://s15/mw690/7fb03f7dgce9cc69fddce&690state-trait model, LST)" TITLE="潜状态-特质模型(latent state-trait model, LST)" />
图 LST的基本模型示意图（误差只显示第一个条目）

表  LST模型中的参数关系

其中T是稳定的个体差异，通常是研究测量的目标内容。场合特定的因子O指个体在回答问卷时不稳定的个体差异，包括情境因素以及个体自身的临时因素。由于情境状态对测试时的所有题目具有同样的影响，所以设定指标再情境因子上的负荷等值，即δ_1k=δ_2k=δ_3k=δ_ik，k=1,2,3…,l。例如，在第一次问卷回答时，个体心情非常愉快，此时愉快的心情会影响所有问题的回答；而在第二次回答同样问卷时心情很焦虑，这种焦虑的心态则会影响第二次的所有问题。由于每次测量时个体的情境状态是随机变化的（相对应特质T来说），并无必然联系，所以O的均值为零，O之间假设不相关[1]，O与特质T以及测量误差E亦不相关(Steyer et al., 1999)。O的方差用以表示个体间差异，显著的方差说明个体受情境的影响存在个体差异。相对于特质因子T，场合特定的因子O常做测量误差看待。为了保证测量不变性，模型中的项目截距和负荷设定跨时间等同(e.g., Courvoisier, Eid, & Nussbeck, 2007; Steyer et al., 1999)。

LST的基本模型与Bifactor模型存在很多相似之处。双因子模型中，不同内容领域的条目负荷于一个组因子/群因子，同时允许所有条目负荷于一个一般因子。而LST的特质因子T等同于一般因子，情境因子等同于组因子/群因子。两者的区别在于LST处理的是重复测量数据，而Bifactor模型处理的是多方法/维度数据，另外Bifactor模型中并没有测量不变性的限定。Bifactor模型可以用来分离方法学效应，同样地，LST模型也可以作为方法学效应分析的模型[2]。LST模型中的情境因子O可以看作是方法学因子，因为测验条目在同一次测量时受到相同的情境影响；而多次测量的内容均为特质因子即Bifactor中的一般因子。

观测指标Yik的方差可以分解如：

Var(Y_ik) =λ²_ik Var(T)+δ²_ik Var(O_ik)+ Var(e_ik)

根据上式可以计算如下系数：一致性系数，情境特异性指数和信度系数。

一致性系数(consistency, CO)指由个体稳定的特质所决定的观测方差比例，即个体特质方差在观测总方差中所占比例，系数越高说明特质影响越大。这里的CO等同于Wh信度，。

情境特异性系数(occasion-specificity, OSpe)指观测方差变量里由情境和情境与特质交互作用所决定的差异比例:

信度系数(reliability coefficient, RC)指由可靠的潜变量产生的方差变异，等于情境特异性指数加上一致性性系数；或1-测量误差。

        上述三个系数之和等于1，另外，通过比较情境特异性指数和一致性性系数可以判断心理属性是稳定的特质还是受情境影响的状态。这些系数是多数LST模型研究的重要内容(Geiser, & Ginger, 2012; Steyer et al., 1999)。