纵向混合模型中响应风格偏差作为虚假类别的探索及其对增长混合模型的影响

本研究探讨了响应风格偏差是否会导致纵向混合模型(GMMs)中出现虚假类别划分的问题。来自多机构的研究团队通过模拟研究和实证分析（样本量N=2,319-3,466）发现，虽然响应风格建模在强效应时有助于改善分类，但现有评分方法均无法完全消除虚假类别提取。这项研究揭示了心理测量学中响应风格偏差对潜在类别分析的潜在干扰，为改进纵向混合模型提供了重要方法论参考。

通过模拟研究和实证分析探讨了响应风格(response styles)偏差对增长混合模型(Growth Mixture Models, GMMs)分类准确性的影响。研究发现，当存在与社会期望性应答(socially desirable responding)相关的个体特异性反应模式时，传统的总分评分法、多维项目反应理论(multidimensional IRT)评分法均可能造成虚假类别提取(spurious class extraction)。虽然采用响应风格校正模型能在强效应场景下改善分类结果，但所有方法均未能完全还原真实的单类别解决方案。对中学生成长心态(growth mindset)的实证研究(N_样本量=2,319-3,466)进一步表明，不同评分方法会导致差异化的预测轨迹。这些发现提示响应风格可能通过多种机制干扰GMMs的类别识别，该效应与模型本身的方法学挑战相互交织，需要开发更稳健的建模策略。