面板数据网络：CLPN 与 panel-GVAR

ESM 需要密集测量，成本高、条目少。很多队列研究只有 2–5 次随访（如间隔数月或一年），但每次测量了完整量表。这类面板数据也可以估计有向的滞后网络。

横截滞后面板网络（CLPN）

横截滞后面板网络（cross-lagged panel network, CLPN；Wysocki、McCarthy、van Bork 与 Cramer 提出，预印本 2022，正式发表于 2025）：对两次相邻测量，把每个 $t_2$ 时刻的条目对全部 $t_1$ 时刻条目做正则化回归：

$$y_{j,t_2}=\alpha_j+\beta_{jj}\,y_{j,t_1}+\sum_{i\ne j}\beta_{ji}\,y_{i,t_1}+e_j ,$$

$\beta_{jj}$ 为自回归边（症状的稳定性），$\beta_{ji}$ 为横截滞后边（$i$ 在 $t_1$ 预测 $j$ 在 $t_2$ 的变化）。所有横截滞后边构成一个有向网络，可以计算出度（cross-lagged out-prediction，该症状预测其他症状后续变化的总量）与入度。原文用 LASSO 回归选边，再在结构方程模型框架中重新估计。

个体间稳定差异的混杂

CLPN 继承了传统横截滞后面板模型（CLPM）的问题。Hamaker, Kuiper & Grasman（2015, Psychological Methods）指出，CLPM 没有把稳定的个体间差异（特质水平）与个体内的时间变化分开：如果“长期压力高的人”同时“长期情绪低”，这种个体间相关会被误读为压力对后续情绪的滞后效应。他们提出的随机截距 CLPM（RI-CLPM）为每个人加一个随机截距，把特质差异分离出去。

在网络框架中，Epskamp（2020, Psychometrika）的 panel-GVAR（R 包 psychonetrics）做了同样的分离：在至少三次测量的面板数据上，同时估计个体内的时间网络与同期网络、以及个体间网络，与 ESM 数据的 GVAR 对应。