導讀：這本書怎麼讀

0.1 這本書的形狀

本書的三十六章不是三十六個獨立的技術，而是八個依序加深的部。認得這個形狀，比認得任何單一章都重要，因為它決定了「跳過某一章」的代價有多大。第一部（第 1 至 6 章）處理分析開始之前的一切：變化問題本身的分類、研究設計(research design)如何在蒐集資料的那一刻就決定了哪些估計標的(estimand)可得、測量工具能不能在各時點測到同一件事、檢定力(power)與精確度(precision)怎麼規劃、原始檔案怎麼整備，以及遺漏(missingness)怎麼處理。第二部（第 7 至 9 章）緊接在後，教的是建模之前用描述統計與圖示盤問資料：把總變異拆成個體內與個體間、把軌跡畫出來、把密集資料的時間結構看清楚。這兩部沒有一個模型，卻是全書最容易被跳過、也最不該被跳過的部分，因為它們決定的是主張上限(claim ceiling)：後面每一個模型的可信度，都由這九章所作的決定封頂。

第三部到第五部是三種分析傳統，處理的是同一批問題。第三部（第 10 至 12 章）走古典路線，由兩個時點的比較出發，經重複量數變異數分析(repeated-measures ANOVA)到廣義估計方程(generalized estimating equations)。第四部（第 13 至 17 章）是本書的承重結構：線性混合效果模型，以及由它長出來的成長曲線(growth curve)、類別與計數結果變項的廣義線性混合模型(generalized linear mixed model)、把變異性本身當成結果變項的位置尺度模型(location-scale model)，還有貝氏估計(Bayesian estimation)。第五部（第 18 至 22 章）把同一批問題搬進潛在變項(latent variable)與結構方程(structural equation)的架構：跨時間的測量恆等性(measurement invariance)、潛在成長曲線、潛在變化分數(latent change score)、交叉延宕(cross-lagged)追蹤設計，以及成長混合分配模型(growth mixture model)。這裡有一件事值得先知道：第四部與第五部在許多地方是同一個模型的兩種寫法，第 19 章會明白證明潛在成長曲線模型與多層次成長模型的等價性(equivalence)，讀者不必兩邊都讀完才動手。

第六部（第 23 至 28 章）進入密集縱貫(intensive longitudinal)與動態系統，這是本書投注最多、也是這個領域近年變動最快的一塊：日記(diary)與經驗取樣(experience sampling)資料的多層次模型、單一受試者(single-subject)的時間序列(time series)、向量自我迴歸(vector autoregression)與動態結構方程(dynamic SEM)、狀態空間(state-space)形式、連續時間(continuous-time)模型，以及網絡(network)取向。最後兩部收尾。第七部（第 29 至 32 章）是專題與延伸：存活分析(survival analysis)、有彈性的曲線(flexible curve)方法、機器學習(machine learning)與非線性動力學(nonlinear dynamics)，四章彼此獨立。第八部（第 33 至 36 章）是應用與工作流程，前三章從頭到尾走完三個領域的應用（臨床、發展與教育、社會與人格與組織），第 36 章把整套工作流程(workflow)整併起來。表 0.1 是這八個部的一覽。

0.2 四條閱讀路徑

沒有一條路徑適合所有人，但也不必每個人都自己摸索。以下四條路徑對應四種常見的處境，每一條都指明必讀、選讀與可略過的章，並說明它為什麼那樣切。圖 0.1 把四條路徑畫在同一張圖上，表 0.2 給出逐章的清單。要強調的是，這四條路徑依讀者的處境切分。如果你已經有一份資料在手、只想知道該用哪個方法，該用的是第 1 章 §1.7 的表 1.1 與圖 1.5，那份導引依資料結構與問題家族切分，與這裡互補。

註：橫軸是章號，依八個部以虛線分隔：上排是第 1 至 17 章，也就是第一部至第四部；下排是第 18 至 36 章，也就是第五部至第八部。每一列是一條路徑，藍色為必讀、橘色為選讀、灰色為該路徑可以略過。四條路徑都以第 1 章開頭、第 36 章結尾，因為那兩章是全書的書擋(bookend)：第 1 章畫出地圖，第 36 章走完同一張地圖並稽核它。四條路徑也都包含第 13 章，理由見 §0.3。略過不等於不重要，只表示在那條路徑所設定的目標下，它的邊際報酬較低。

0.3 承重的那幾章

三十六章之間的依賴並不均勻。把每一章自己宣告的前置章節整理起來，會浮現一個很不平均的入度(in-degree)分布：少數幾章被反覆引為前置，多數章只被一兩章引用。這件事對讀者很實用，因為它告訴你哪幾章跳不得。第 13 章線性混合效果模型被其後十五章引為前置，是全書最重的一根樑；第 1 章被十章引用，第 14 章成長曲線模型被九章引用，第 6 章遺漏資料被八章引用，第 25 章向量自我迴歸被七章引用。圖 0.2 畫出這根主幹與由它分出去的支線，表 0.3 列出被引用最多的九章。

一個實用的推論是：如果你只有時間讀五章，讀第 1、6、13、14 與 36 章。 第 1 章給你分解與詞彙，第 6 章讓你不至於把遺漏處理錯，第 13 章給你那個會反覆使用的模型，第 14 章把時間放進去、讓它成為成長模型，第 36 章讓你知道報告一份結果需要什麼。這五章不會讓你變成專家，但足以讀懂多數縱貫論文的方法一節，也不至於在自己的分析裡犯下最貴的那幾個錯。相對地，第 33 至 35 章這三章應用章的前置章節最多，第 34 章一章就宣告了十二章前置，因此它們適合當作驗收(consolidation)而不是入門。

註：節點是被其他章反覆引為前置的章，粗藍箭頭是主幹、細灰箭頭是支線。「被 N 章引為前置」的數字由三十六章各自宣告的前置章節統計而來，不是編者的評價。上方那條由第 1 章繞到第 36 章的灰線，代表兩章互為書擋的關係：第 1 章畫下地圖作為承諾，第 36 章重走同一張地圖作為稽核。第 33 至 35 章是三章從頭到尾走完的應用，前置章節最多，適合放在最後作為驗收。

0.4 每一章長得一樣

三十六章共用同一套結構，認得它，讀任何一章的成本都會下降。每一章以一段章首題引(epigraph)開場，說明這一章為什麼存在；接著是一個學習目標方塊，以六個編號項目寫出讀完之後應該做得到什麼，這個方塊也適合當作讀完之後的自我檢核。正文之中散布六類方塊(box)，各有固定的用途：基礎方塊補充推導或統計背景，實務方塊給出真的會遇到的操作細節，陷阱方塊點名這個題目上最常見的錯誤，軟體方塊說明用什麼工具怎麼做。章末依序是摘要方塊、中英名詞對照表，以及該章的參考文獻。圖 0.3 呈現這份解剖。

三件事值得單獨說明。第一，章末的中英名詞對照表是為了讓讀者回得去英文文獻：中文譯名在不同教科書之間並不統一，因此每一個關鍵術語都附上英文原詞，以及它在本章的定義與出處小節，全書共 696 個條目。第二，參考文獻各章獨立，由一個共用的書目資料庫 LDA_refs.bib（523 筆）依該章實際引用到的文獻自動產生，因此影印任何一章都會拿到完整的書目。第三，每一章的圖都由一支可執行的 R 腳本產生，檔名為 chNN_figures_zh_V01.R，放在 Examples/R/；讀者可以改參數重跑，看某個結論對某個設定有多敏感，那正是第 36 章要形式化的敏感度(sensitivity)習慣。

註：每一章都依這個順序組成。右側是各元件的用途與全書的總量。時間緊迫時的一個實用讀法是：先讀學習目標方塊與章末摘要方塊，再讀陷阱方塊，最後才決定正文哪幾節要細讀。名詞對照表與參考文獻是查閱用的，不必依序讀。

0.5 符號、術語與版面的約定

全書共用一套約定，在此一次講清楚。最重要的一組是個體內與個體間的區分，它貫穿三十六章，在符號上也是明確的：以 \(i\) 標記人、\(t\) 標記時點，\(y_{it}\) 是第 \(i\) 個人在第 \(t\) 個時點的觀察值，\(\bar{y}_{i\cdot}\) 是那個人自己的平均數，\(y_{it} - \bar{y}_{i\cdot}\) 就是個體內偏離(within-person deviation)。這個減法看起來很小，卻是本書大半內容的樞紐，因為跨個體成立的關聯與個體之內成立的關聯在邏輯上彼此獨立，強度甚至方向都可能相反。表 0.4 列出全書一致的符號與術語約定。

譯名的處理有兩條規則。專有名詞首次在該章出現時，一律以半形括號附上英文原詞，例如參數(parameter)；同一章之後再出現就不再標註。中文譯名採台灣的學術用語，同一個英文詞有多種通行譯法時擇一固定、全書貫徹，例如 centering 一律作中心化而不作置中，lag 一律作延宕而不作落後。少數概念在中文裡沒有簡潔對應時，本書寧可把句子調整得長一點，也不創造讀者查不到的新詞。

0.6 資料與程式碼

本書所有的例子都建立在模擬資料集上，這是刻意的選擇，不是權宜。模擬資料的好處是真值是已知的：讀者可以把模型估出來的數字與植入的真值(true value)直接對照，看見估計偏誤(bias)有多大、在什麼條件下變大，這是任何真實資料都給不了的教學條件。所有資料集都放在 Examples/data/，另附資料編碼簿(codebook)說明每一個變項的意義與生成方式；產生它們的腳本也一併附上，因此讀者可以改變樣本數、時點數或效果量，重跑同一章的分析，看結論怎麼隨之改變。這份習慣本身就是第 36 章要形式化的東西：一個撐不過合理設定變動的結論，本來就不該被當作發現。

第 36 章另有一個收尾的對稱值得先預告：教會這些方法的模擬資料集，同時也是安全分享真實資料的範本。密集縱貫的原始軌跡因為可再識別(re-identifiable)而不能公開時，一份由配適好的模型產生的合成(synthetic)伴隨資料，可以讓別人重建分析而不曝光任何一位參與者。