在咨询了多个人之后，我收到了一些建议，这些建议帮助我决定采用哪种方法。最终，它回到了研究问题和做出的假设。

如果我们对 to 的独特贡献感兴趣A，B超过当前和过去wellbeing，我们可以运行分层回归。当前和过去会解释大量重叠的方差wellbeing，但是在单独的步骤中输入它们可以帮助我们理解两者的独特贡献B。在我们的例子中，我们首先wellbeing在 Time-1 进入，然后wellbeing在 Time-2 进入。尽管 Time-1wellbeing解释了 中的大量差异B，但当我们进入 Time-2 时，它不再是一个重要的预测指标wellbeing。这表明当前而不是过去wellbeing是一个更重要的促成因素。我们进入了A在最后一步，它对包含 Time-1 和 Time-2 的模型进行了显着改进wellbeing，这支持了我们最初的假设。

如果我们对从 Time-1 到 Time-2 的变化如何预测感兴趣，我们可以计算差异分数，或者使用更精细的潜在变化分数模型来解释重复测量的性质。这种方法的一些有用资源：McArdle 的 2009 年评论论文、Cambridge Powerpoint slides with examples 和 Mplus syntaxwellbeingBwellbeing