张老师（研究员），长期从事R语言结构方程模型、群落生态学、保护生物学、景观生态学和生态模型方面的研究和教学工作，已发表了多篇论文，拥有丰富的科研及实践经验。
很多研究需要进行多个时间点（如天/月/年）的连续观测，即重复观测数据或时间数据。在进行这类数据分析时，邻近观测时间样本间存在自相关问题需要进行校正。另外，研究目的本身可能是探讨研究对象的某一观测变量随观测时间的变化，即生长曲线模型（Growth Curve Model）；也可能是研究系统中两个变量间存在交叉相互作用，比如A和B两个变量，A在时间T1对B的影响表现时间T2，B在时间T1对A的影响也同样表现在时间T2，此类模型称为交叉滞后模型（Autoregressive Cross-Lagged Model）。不论是生长曲线模型还是交叉滞后模型都会存在时间自相关的问题。本课程将针对上述几个方面入手，详细探讨结构方程模型全局估计法、局域估计法及贝叶斯法对时间/重复观测数据的分析。
一：时间/重复测量数据回归模型分析
1、时间重复测量数据特点简介
2、回归模型处理时间/重复测量自相关数据
3、贝叶斯方法对时间/重复测量数据分析
二：时间/重复测量数据结构方程校正
1、局域估计法处理时间/重复测量数据基本原理
2、局域估计法（piecewiseSEM和brms）对时间自相关数据的分析
三：时间/重复测量数据的交叉滞后模型和生长曲线模型
1、时间/重复测量数据的交叉滞后模型（Autoregressive Cross-Lagged Model）
2、时间/重复测量数据的生长曲线模型（Growth Curve Model）
https://mp.weixin.qq.com/s?__biz=MzUyNzczMTI4Mg==&mid=2247686563&idx=6&sn=b93443ab9f70446e05ee45cd7b753dfe&chksm=fa77469ecd00cf889f789043257cf07c61c05b4b9698a490adfe81cb4cb3bc75f4bb6b6a9a50&token=1908211715&lang=zh_CN#rd
