行为与医学研究中，方法与理论深度交织：理论进展催生对新方法的需求，而方法学创新又为新的理论洞见提供可能。为推动行为医学研究持续进步，亟需开发并落地新方法。与此同时，该领域所采集的数据日趋复杂，需要兼具严谨性与可及性的定量策略以实现高效分析。本期特刊共收录十八篇论文，集中展示面向行为医学的定量方法进展与应用实践，归纳出六大核心主题：混合模型（mixture modeling）、纵向建模（longitudinal modeling）、位置—尺度模型（location-scale models）、随机试验与因果推断方法（methods for randomized trials and causal inference）、贝叶斯推断方法（methods using Bayesian inference）以及复杂非线性关系估计（estimating complex, nonlinear relationships）。
本期特刊围绕健康相关研究中的数据采集、分析与解释方法的发展与传播展开，收录论文涵盖三类：一是开发新方法的计量学研究，如Garnier-Villarreal等人提出的贝叶斯多元纵向分段回归（Bayesian multivariate longitudinal piecewise regression）用于识别认知功能下降的早期信号，Zhang等人构建的潜类别位置—尺度回归模型（latent class location-scale regression model）应用于卡路里摄入数据分析；二是展示前沿方法在行为医学中实证应用的论文，如Bouwhuis等人采用隐马尔可夫模型（hidden Markov models, HMM）解析工作要求与资源（job demands & resources, JDR）和心理健康之间的动态关联，Dousti Mousavi等人针对物质使用结局优化计数数据建模策略，Mara等人系统介绍随机前测—后测—随访试验中潜变化模型（latent change models, LCM）的实践路径，Wang等人比较传统公式计算与混合效应位置—尺度模型（mixed-effects location-scale models, MELS）在生态瞬时评估（ecological momentary assessment, EMA）个体内均值与方差估计上的差异；三是方法学教程类论文，如Moreno-Villamizar等人详细演示随机截距交叉滞后面板模型（random-intercept cross-lagged panel model, RI-CLPM）在行为干预结果分析中的拟合流程。六大主题相互交叉，例如Mara等人的研究将纵向建模嵌入随机试验设计，Myers等人把纵向数据与混合模型结合，Bouwhuis等人则在纵向框架下应用混合模型，体现了方法融合的研究趋势。
混合模型（mixture modeling）用于基于观测指标识别潜在亚组，具体方法包括潜类别分析（latent class analysis, LCA）、潜剖面分析（latent profile analysis, LPA）、潜转变分析（latent transition analysis, LTA）与隐马尔可夫模型（HMM）。研究关注点包括亚组识别、亚组成员随时间的变化规律及其预测因素与结果变量。Moore等人以体力活动领域的目标定向采纳为例，提供潜剖面分析的非技术性教程；Schmeige等人同时运用增长混合模型（growth mixture modeling, GMM）与重复测量潜剖面分析（repeated measures latent profile analysis, RMLPA）刻画运动行为维持的机制，其中GMM描述跨波次层面的行为模式，RMLPA捕捉单次运动时段内的短期变化；Myers等人在体力活动随机干预试验中应用潜转变分析，比较不同随机分组条件下类别成员身份的动态差异；Bouwhuis等人采用交叉滞后隐马尔可夫模型，识别出六种工作要求—资源状态与三种心理健康状态，并量化两类分类潜变量随时间的纵向关联强度。
纵向建模（longitudinal modeling）在行为医学与心理学中具有悠久传统，通过对个体进行多次测量，可同时考察个体内变化与个体间变化差异。方法已从早期被试内方差分析（within-subjects ANOVAs）发展为多种现代建模技术。本期超过半数论文涉及纵向数据方法，且常与混合模型等方法结合，例如前述Bouwhuis、Myers与Schmeige等人的研究均在纵向框架下整合混合模型。此外，多篇论文对传统纵向模型进行拓展并提供操作教程：Cho等人对比传统重复测量方差分析（repeated measures ANOVA）与现代双波潜变化分数模型（two-wave latent change score model, 2W-LCSM），证明后者在处理测量误差与捕捉个体内变化上更具灵活性，并以风险因素变化预测再犯行为的实例加以说明；Moreno-Villamizar等人系统讲解随机截距交叉滞后面板模型（RI-CLPM）在健康行为干预机制识别中的应用，指出其有助于精准定位干预过程中的心理机制，支持干预个性化设计；Garnier-Villarreal等人开发贝叶斯分段纵向模型（Bayesian piecewise longitudinal model），可在阿尔茨海默病患者轻度认知障碍诊断前后识别认知测试分数的随机变化点，同时估计样本层面与个体层面参数，为临床诊断提供个体化信息。
位置—尺度模型（location-scale models）突破了传统统计方法仅聚焦于均值差异（如t检验、方差分析、回归模型）的局限，允许研究者同时预测结果的均值（位置）与变异程度（尺度）。此类模型在纵向或嵌套数据中尤为适用，可在多层分析结构中分别预测不同层级的方差。Whitaker等人以慢性疼痛与疲劳数据为例，提供混合效应位置—尺度模型（MELS）教程，展示从基础到复杂的多层次模型如何解析个体内变异性；Wang等人通过比较传统标准计算公式（standard computational formulas, SCF）与MELS模型的随机效应估计值，证实MELS在EMA数据的个体内均值与方差估计上均优于传统算法；Zhang等人进一步将MELS与混合模型融合，提出潜类别位置—尺度回归模型，在位置与尺度两个部分均引入潜类别设定，并通过模拟研究与减重管理研究中的卡路里摄入数据验证其性能，能够有效捕捉密集纵向行为数据在均值轨迹与个体内变异性轨迹上的潜在异质性模式。
随机试验与因果推断方法部分聚焦因果效应识别。随机对照试验（randomized trial）仍是因果推断的金标准，但现代试验设计已不再局限于简单随机分配与单次后测。Mara针对随机前测—后测—随访试验（randomized pretest-posttest-follow-up, RPPF）提出潜变化模型（LCM）的实用指南，可直接估计时间点间的离散变化及干预组与对照组的差异。针对试验设计中的样本量规划问题，Liang等人提出将双侧检验功效转换为单侧检验功效的方法，并提供可直接运行的R代码与Excel计算工具。在非随机场景中，Montoya等人针对多组队列研究（multigroup cohort study）提出序贯招募下的倾向得分匹配（propensity score matching, PSM）方法，以PTSD与心血管风险数据为例，证明该方法可提升暴露组与非暴露组的可比性。针对中介分析长期依赖横截面数据、难以确立因果性的问题，Loeys等人引入干预效应方法（interventional effects approach），相比自然直接与间接效应等传统框架具有更高的灵活性与清晰的因果逻辑，并以家庭富裕度通过休闲体力活动与饮食行为影响心理健康的机制为例进行演示。
贝叶斯方法（Bayesian methods）结合马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）在行为与健康研究中应用快速增长，相较于传统零假设检验与最大似然估计具有更强的模型设定与推断灵活性。除前述Garnier-Villarreal等人的贝叶斯分段纵向模型外，Munion等人采用贝叶斯模型平均（Bayesian model averaging, BMA）识别心血管疾病患者样本中广泛性焦虑与疾病特异性焦虑症状的网络结构，确定两类焦虑测量指标间的最优连接模式；Li等人运用贝叶斯非参数（Bayesian nonparametric, BNP）聚类方法对癌症幸存者的共病症状进行亚型划分，识别出三个症状亚组，并进一步分析不同治疗方案在各亚组中的症状缓解效果差异，展示了BNP在精准症状管理中的应用潜力。
复杂非线性关系估计部分回应了传统线性假设的局限性。Dousti Mousavi等人针对物质使用研究的计数数据，证明零膨胀贝塔二项分布（zero-inflated beta-binomial, ZIBB）与贝塔二项 hurdle 模型（beta-binomial hurd, BBH）优于传统方法，其中ZIBB模型可有效捕捉真实数据中常见的U型分布特征；Stadtbaeumer等人对比岭回归等线性方法与随机森林等非线性机器学习方法在癌症相关疲乏预测中的表现，通过模拟研究量化不同方法的差异，并指出模拟研究可作为建模方法优选的重要工具。
结论部分强调，六大主题并非彼此孤立，而是常相互融合以解决新颖且重要的科学问题。未来行为医学定量方法将继续呈现跨领域整合趋势，通过多方法联合拓展行为科学可检验的假设边界。
