量性研究实战训练营

• 1.1 定量研究范式与主要研究类型
• 1.2 横断面研究设计与选题技巧
• 1.3 样本量估算：经验法则与统计功效（G*Power）
• 1.4 研究伦理与知情同意
• 1.5 偏倚识别与质量控制
• 1.6 研究注册与方案公开（ClinicalTrials 预注册）

• 2.1 测量理论：信度与效度理论详解
• 2.2 探索性因子分析与量表结构发掘（SPSS 实操）
• 2.3 验证性因子分析与测量模型验证（AMOS 实操）
• 2.4 信度与效度报告规范

• 3.1 数据质量控制、缺失值处理与 SPSS 数据清洗实战
• 3.2 描述性统计与组间比较（t 检验 / ANOVA / 非参数检验）
• 3.3 相关与回归分析、模型诊断
• 3.4 中介与调节分析（Process 实操）

4.1 R 语言科研统计入门

• 4.1.1 R与RStudio环境配置及基础语法
• 4.1.2 数据结构（向量、矩阵、数据框）的创建与操作
• 4.1.3 数据导入、清洗与整理技巧(tidyverse）
• 4.1.4 基础统计分析与科研图表可视化（ggplot2）

4.2 结构方程模型（SEM）与路径分析

• 4.2.1 SEM框架：测量模型与结构模型
• 4.2.2 路径分析：原理、符号与模型识别
• 4.2.3 模型拟合指标（χ², CFI, RMSEA, SRMR等）的涵义与标准

4.3 基于 AMOS 的 SEM 建模、拟合与解释

• 4.3.1 AMOS图形界面建模与数据导入
• 4.3.2 模型参数估计、拟合评估与模型修正
• 4.3.3 标准化路径系数解读与假设检验
• 4.3.4 模型结果的报告与图示规范

4.4 症状网络分析入门

• 4.4.1 症状网络概述
• 4.4.2 症状网络分类及特异性指标
• 4.4.3 同期网络样本量估算
• 4.4.4 基于R的症状网络实战及各项扩展（实操手册）

5.1 横断面：潜在剖面分析（LPA）与潜在类别分析（LCA）

• 5.1.1 LPA与LCA模型基础与模型选择逻辑
• 5.1.2 拟合指标（AIC, BIC, Entropy，BLRT，LMR等）与类别命名
• 5.1.3 Mplus软件实战：LPA与LCA代码
• 5.1.4 LPA与LCA模型选择与结果解读
• 5.1.5 一键出图表：自建在线LPA网页的使用

5.2 纵向研究：异质性轨迹模型（GMM/LCGM）

• 5.2.1 GMM与LCGM模型基础与模型选择逻辑
• 5.2.2 拟合指标（AIC, BIC, Entropy，BLRT，LMR等）与类别命名
• 5.2.3 Mplus软件实战：GMM与LCGM基础程序
• 5.2.4 GMM与LCGM模型选择与结果解读