Моделирование скрытого роста
Моделирование скрытого роста — это статистический метод, используемый в рамках моделирования структурными уравнениями (SEM) для оценки траекторий роста . Это метод продольного анализа для оценки роста за определенный период времени. Он широко используется в области психологии, поведенческих наук, образования и социальных наук. Его также называют анализом кривой скрытого роста. Модель скрытого роста была основана на теории SEM. Программное обеспечение SEM общего назначения, такое как OpenMx , lavaan (оба пакета с открытым исходным кодом на основе R ), AMOS , Mplus , LISREL или EQS , среди других, может использоваться для оценки траекторий роста.
Фон
[ редактировать ]Модели скрытого роста [1] [2] [3] [4] представляют собой повторяющиеся измерения зависимых переменных как функции времени и других мер. Такие продольные данные имеют общие черты: одних и тех же испытуемых наблюдают неоднократно с течением времени, в одних и тех же тестах (или параллельных версиях) и в известное время. При моделировании скрытого роста относительное положение человека в каждый момент времени моделируется как функция основного процесса роста, при этом для каждого человека подбираются наилучшие значения параметров для этого процесса роста.
Эти модели стали широко использоваться в социальных и поведенческих исследованиях, поскольку было показано, что их можно использовать в качестве ограниченной модели с общими факторами в рамках моделирования структурными уравнениями . [4]
Эту методологию можно использовать для исследования систематических изменений или роста, а также межиндивидуальной изменчивости этих изменений. Особый интерес представляет корреляция параметров роста, так называемого начального состояния и скорости роста, а также их связь с изменяющимися во времени и инвариантными во времени ковариатами. (См. Макардл и Нессельрод (2003). [5] за подробный обзор)
Хотя во многих приложениях моделей скрытой кривой роста оцениваются только начальные компоненты уровня и наклона, можно оценить и более сложные модели. Модели с компонентами более высокого порядка, например квадратичными, кубическими, не предсказывают постоянно растущую дисперсию, но требуют более двух измерений. Также возможно снабдить модели, основанные на кривых роста, функциональными формами, часто версиями обобщенного логистического роста, такими как логистические , экспоненциальные функции или функции Гомпертца . Хотя эти более сложные модели легко согласовать с универсальным программным обеспечением, таким как OpenMx , они не могут быть оснащены пакетами 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 меняется в определенный момент времени (например, отличается до и после события), также могут быть адаптированы к программному обеспечению SEM. [6]
На подобные вопросы также можно ответить, используя подход многоуровневой модели . [7]
Ссылки
[ редактировать ]- ^ Такер, Л.Р. (1958) Определение параметров функционального отношения с помощью факторного анализа . Психометрика 23 , 19-23.
- ^ Рао, CR (1958) Некоторые статистические методы сравнения кривых роста. Биометрия . 14 , 1-17.
- ^ Шер, AM, Янг, AC и Мередит, WM (1960) Факторный анализ электрокардиограммы. Исследование кровообращения 8 , 519–526.
- ^ Jump up to: а б Мередит В. и Тисак Дж. (1990). Анализ скрытой кривой. Психометрика , 55 , 107–122.
- ^ Макардл, Джей-Джей, и Нессельроуд, младший (2003). Анализ кривой роста в современных психологических исследованиях. В книге Дж. Шинка и В. Велисер (ред.), «Всеобъемлющий справочник по психологии: методы исследования в психологии» (том 2, стр. 447–480). Нью-Йорк: Уайли.
- ^ 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. дои : 10.1177/01650254211031631 . hdl : 2346/87456 . ISSN 0165-0254 . S2CID 237204627 .
- ^ Гримм, Кевин Дж. (2017). Моделирование роста: структурное уравнение и подходы к многоуровневому 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
[ редактировать ]- Макардл, 1989 г.
- Уиллет и Сэйер, 1994 г.
- Карран, Стайс и Чассен, 1997 г.
- Мутен и Карран, 1997 г.
- Су и Теста 2005
- Боллен, К.А., и Карран, П.Дж. (2006). Модели скрытой кривой: взгляд на структурное уравнение. Хобокен, Нью-Джерси: Wiley-Interscience.
- Сингер, Джей Ди, и Уиллетт, Джей Би (2003). Прикладной продольный анализ данных: моделирование изменений и возникновения событий. Нью-Йорк: Издательство Оксфордского университета.
- Фицморис, GM, Лэрд, Нью-Мексико, и Уэр, JW (2004). Прикладной продольный анализ. Хобокен, Нью-Джерси: Уайли.