在心理学、医学和教育领域的纵向研究中，研究者常常需要收集受试者在不同时间点上的评分数据。然而，当这些评分以百分比形式呈现，且大部分评分集中在高分区域时，一种被称为“天花板效应”的现象就会悄然扭曲分析结果。针对这一难题，一项发表于《行为研究方法》的新研究提出了一种创新的统计建模方法，为重复测量的百分比评分数据提供了更准确的解读路径。
什么是天花板效应？
简单来说，天花板效应是指测量工具无法区分高分区域中个体之间的真实差异。例如，一项旨在测量患者疼痛缓解程度的量表，如果大多数患者在治疗后都报告“100%缓解”，那么这些满分数据就形成了一个“天花板”——真实改善程度的差异被淹没在同质化的高分里。在多次测量的纵向研究中，这种效应会导致传统的统计方法（如重复测量方差分析）低估变化趋势，甚至得出错误的结论。
传统方法的局限
以往处理这类数据时，研究者常采用两种策略：一是忽视天花板效应，直接使用原始百分比分数进行分析；二是对数据进行转换，如对数转换或反正弦转换，试图缓解数据的偏态分布。但新研究指出，这些方法都有明显缺陷。传统方法假设数据呈正态分布且方差齐性，而存在天花板效应的数据往往严重偏离这一假设，导致统计功效下降和参数估计偏差。
更关键的是，重复测量的数据结构具有内在的相关性——同一个体的多次观测并不独立。传统方法虽然能通过协方差结构处理相关性，却无法同时解决天花板效应带来的数据截断问题。
新模型：截断混合效应回归
研究团队提出了一种基于截断正态分布的混合效应模型（Truncated Mixed-effects Model）。该模型的核心思想是：将观测到的百分比评分视为一个潜在连续变量的“截断”版本。当真实评分超过某一阈值（如100%）时，观测值被强制设为100%。通过引入截断点，模型能够同时估计潜在变量的真实变化趋势和阈值效应。
具体来说，该模型包含三个关键组成部分：固定效应部分，用于估计时间、分组等变量的平均效应；随机效应部分，用于刻画个体间的差异；以及一个截断参数，用于识别天花板效应的强度。模型采用最大似然估计法进行拟合，并通过贝叶斯信息准则（BIC）进行模型选择。
模拟研究与实证验证
研究者通过一系列蒙特卡洛模拟实验检验了新模型的性能。在模拟中，他们设定了不同程度的天花板效应（从10%到50%的观测值处于天花板上限），并比较了新模型与传统方差分析、广义估计方程（GEE）等方法的差异。结果显示，当天花板效应较强时（超过30%的数据触及上限），新模型的参数估计偏差比传统方法降低约40%至60%，且统计检验的统计功效显著提高。
实证部分则基于一项真实的临床疼痛管理研究数据。该研究对80名慢性疼痛患者在治疗前、治疗中、治疗后三个时间点进行了“疼痛控制百分比”评分（0%-100%）。结果显示，传统方法低估了治疗组与对照组之间的差异，而新模型检测到了显著的分组时间交互效应（p<0.01），表明新模型更能揭示数据中隐藏的真实效应。
实践意义与适用场景
对于经常处理评分量表数据的科研人员而言，这一方法具有直接的应用价值。当研究涉及“满意度评分”“症状改善率”“掌握百分比”等指标，且观察到大量“满分”或“高分”时，建议优先考虑使用截断混合效应模型。研究团队还开发了开源的R包“truncmix”，提供详细的代码示例，方便研究者直接套用。
当然，新模型也有其适用范围：它要求数据在截断点附近具有足够的变异，且更适合平衡的重复测量设计。对于非平衡设计或过于稀疏的数据，模型收敛可能面临挑战。
未来展望
“我们相信，这一方法将帮助研究者从‘受污染’的数据中挖掘更真实的科学结论。”该研究的通讯作者表示。下一步，研究团队计划将模型扩展至多级截断（如既有上限又有下限的评分）和广义线性框架，以适应更多类型的测量数据。
在数据科学和实证研究日益强调“可重复性”的今天，对于常见但常被忽视的统计陷阱，提供精准的建模工具，无疑是对科研质量的有力提升。对于那些曾被天花板效应困扰的研究者而言，这个新方法或许正是他们期待已久的突破口。