stringtranslate.com

Моделирование скрытого роста

Моделирование скрытого роста — это статистический метод, используемый в рамках моделирования структурных уравнений (SEM) для оценки траекторий роста . Это метод продольного анализа для оценки роста за определенный период времени. Он широко используется в области психологии, поведенческой науки, образования и социальных наук. Его также называют анализом кривой скрытого роста. Модель скрытого роста была получена из теорий SEM. Для оценки траекторий роста можно использовать программное обеспечение SEM общего назначения, такое как OpenMx , lavaan (оба пакета с открытым исходным кодом, основанные на R ), AMOS, Mplus, LISREL или EQS среди других.

Фон

Модели латентного роста [1] [2] [3] [4] представляют собой повторяющиеся измерения зависимых переменных как функции времени и других измерений. Такие продольные данные имеют общие черты, заключающиеся в том, что одни и те же субъекты наблюдаются повторно с течением времени, в одних и тех же тестах (или параллельных версиях) и в известные моменты времени. В моделировании латентного роста относительное положение индивидуума в каждый момент времени моделируется как функция базового процесса роста, при этом наилучшие значения параметров для этого процесса роста подбираются для каждого индивидуума.

Эти модели стали чаще использоваться в социальных и поведенческих исследованиях, поскольку было показано, что их можно подогнать под ограниченную модель общего фактора в рамках моделирования структурных уравнений . [4]

Методология может быть использована для исследования систематических изменений или роста и межиндивидуальной изменчивости в этом изменении. Особый интерес представляет корреляция параметров роста, так называемого начального статуса и скорости роста, а также их связь с изменяющимися во времени и неизменными во времени ковариатами. (См. McArdle и Nesselroade (2003) [5] для всестороннего обзора)

Хотя многие приложения моделей латентных кривых роста оценивают только начальные компоненты уровня и наклона, можно оценить более сложные модели. Модели с компонентами более высокого порядка, например, квадратичные, кубические, не предсказывают постоянно растущую дисперсию, но требуют более двух измерений. Также возможно подогнать модели, основанные на кривых роста, с функциональными формами, часто версиями обобщенного логистического роста , такими как логистическая , экспоненциальная или функции Гомпертца . Хотя эти более сложные модели легко подогнать с помощью универсального программного обеспечения, такого как OpenMx , эти более сложные модели не могут быть подогнаны с помощью пакетов SEM, в которых коэффициенты пути ограничены простыми константами или свободными параметрами и не могут быть функциями свободных параметров и данных. Прерывистые модели, в которых модель роста изменяется вокруг точки времени (например, отличается до и после события), также могут быть подогнаны с помощью программного обеспечения SEM. [6]

На подобные вопросы можно ответить, используя многоуровневый модельный подход. [7]

Ссылки

  1. ^ Такер, Л. Р. (1958) Определение параметров функциональной связи с помощью факторного анализа . Психометрика 23 , 19-23.
  2. ^ Рао, CR (1958) Некоторые статистические методы сравнения кривых роста. Биометрия . 14 , 1-17.
  3. ^ Шер, А. М., Янг, А. С. и Мередит, В. М. (1960) Факторный анализ электрокардиограммы. Исследования кровообращения 8 , 519-526.
  4. ^ ab Meredith, W., & Tisak, J. (1990). Анализ латентной кривой. Psychometrika , 55 , 107–122.
  5. ^ МакАрдл, Дж. Дж. и Нессельроад, Дж. Р. (2003). Анализ кривой роста в современных психологических исследованиях. В J. Schinka & W. Velicer (ред.), Comprehensive handbook of psychology: Research methods in psychology (т. 2, стр. 447–480). Нью-Йорк: Wiley.
  6. ^ Риу, Чарли; Стикли, Закари Л.; Литтл, Тодд Д. (2021). «Решения для моделирования скрытого роста после связанных с COVID-19 разрывов в изменениях и сбоев в сборе продольных данных». Международный журнал поведенческого развития . 45 (5): 463–473. doi : 10.1177/01650254211031631. hdl : 2346/87456 . ISSN  0165-0254. S2CID  237204627.
  7. ^ Гримм, Кевин Дж. (2017). Моделирование роста: структурное уравнение и многоуровневые подходы к моделированию. Нилам Рам, Райн Эстабрук. Нью-Йорк, штат Нью-Йорк. ISBN 978-1-4625-2606-2. OCLC  926062148.{{cite book}}: CS1 maint: отсутствует местоположение издателя ( ссылка )

Дальнейшее чтение