Główny Inny Analiza utajonej krzywej wzrostu

Analiza utajonej krzywej wzrostu

Przegląd

Oprogramowanie

Opis

Strony internetowe

Odczyty

Kursy

Przegląd

Istnieje kilka podejść statystycznych, które można wykorzystać do analizy trajektorii zmian zmiennej lub zmiennych w czasie. Najprostszym podejściem jest opisanie zmiany zmiennej z jednego punktu czasowego do drugiego punktu czasowego – wynik zmiany. Jednak w badaniach podłużnych obejmujących więcej niż dwie oceny w czasie, do opisania nie tylko trajektorii zmian, ale także do określenia wzajemnych relacji zmiennych i predyktorów potrzebne są bardziej zaawansowane techniki.

Opis

Analiza utajonej krzywej wzrostu (LGCA) to potężna technika oparta na modelowaniu równań strukturalnych. Innym podejściem, które nie będzie tutaj bezpośrednio omawiane, jest modelowanie wielopoziomowe, które wykorzystuje techniki statystyczne ogólnej regresji liniowej i określa efekty stałe i losowe. Z drugiej strony LGCA rozważa zmiany w czasie w kategoriach ukrytego, nieobserwowanego procesu. Te dwa podejścia są podobne iw większości przypadków dają identyczne szacunki. Jednak LGCA jest pod pewnymi względami bardziej elastyczne niż modelowanie wielopoziomowe i może badać pytania, które nie są możliwe w przypadku modelowania wielopoziomowego. Na przykład modelowanie wielopoziomowe inaczej traktuje wyniki czasowe. Chociaż wyniki czasowe są uważane za dane w MLM, mogą być parametrami w LGCA i można je oszacować. W przypadku LGCA, w kategoriach trajektorii zmian, można opisać kierunek i formę funkcjonalną. Można również zbadać punkt przecięcia krzywej lub jej początkowy poziom, jeśli jest to interesujące dla pytania badawczego. Ale co być może najważniejsze, zamiast statystyki grupy, która zapewnia średnią krzywą lub punkt przecięcia próbki, LGCA może reprezentować unikalne krzywe dla każdej osoby lub grup osób, reprezentowane jako odchylenia od funkcji średniej, oprócz testowania hipotez dotyczących trajektorii zainteresowanie badacza. Utrata informacji wynikająca z uśredniania unikalnych trajektorii jest czasami określana jako błąd agregacji. Jeśli postuluje się, że jednostki mogą mieć zarówno pozytywne, jak i negatywne zmiany zmiennej w czasie, procedura agregująca lub uśredniająca trajektorie nie jest odpowiednia do opisywania zmian, ponieważ trajektoria jednostki może anulować lub zamaskować wpływ innych osób. trajektorie.

Robert mi. Scott

Jedną z mocnych stron LGCA jest jej elastyczność. Można analizować i modelować szereg interesujących nas parametrów, zaczynając od pojedynczej trajektorii wzrostu w pojedynczej zmiennej (charakteryzującej się punktem przecięcia i nachyleniem) i przechodząc do bardziej złożonych modeli. W rzeczywistości kilka modeli można uznać za szczególne lub ograniczone przypadki modeli LGC, które są możliwe przy spełnieniu określonych założeń: na przykład analiza wariancji powtarzanych pomiarów i analiza czynnikowa. LGCA pozwala podzielić wariancję wzrostu i przeanalizować różne predyktory. Można zlokalizować skupiska przypadków, które mają unikalne krzywe wzrostu. Możliwe jest również uwzględnienie błędu pomiaru zależnego od czasu, w przeciwieństwie do tradycyjnych podejść regresji, co pozwala na heteroskedastyczność i zapewnia wiarygodność wyników poprzez umożliwienie estymacji parametrów niezależnie od błędu pomiaru. LGCA pozwala również na kowariancję między wariancją nachylenia a wariancją wyrazu wolnego, w przeciwieństwie do tradycyjnych podejść regresji. Wreszcie, wielowymiarowe modele LGCA umożliwiają modelowanie i testowanie podłużnych powiązań między kilkoma zmiennymi wyniku mierzonymi wielokrotnie w czasie. Jedną ze słabych stron LGCA jest to, że wykorzystuje język i techniki modeli równań strukturalnych (SEM), które wymagają specjalistycznej wiedzy i zaawansowanego szkolenia w celu projektowania i analizowania. Również brakujące obserwacje i obserwacje nierównomiernie rozmieszczone w czasie wymagają specjalnego traktowania w modelach.
Aby zrozumieć podejście analityczne LGCA, wymagane jest pewne doświadczenie w SEM. SEM reprezentują ogólne ramy modelowania, które umożliwiają testowanie wzorców asocjacyjnych między obserwowanymi i ukrytymi zmiennymi. Umożliwiają testowanie relacji między zmiennymi poprzez testy wariancji i kowariancji między zmiennymi. Modele SEM są wykorzystywane do różnych celów, w tym do modelowania przyczynowego, analizy ścieżek, analizy czynnikowej i modeli regresji. Wiele SEM można zapisać jako diagramy ścieżek. Na przykład proste równanie regresji liniowej Y=aX + e można przedstawić na poniższym diagramie ścieżki (odtworzonym z http://www.statsoft.com/textbook/strukturalne-modelowanie-równ/ ). Na diagramach ścieżkowych strzałki łączą zmienne niezależne ze zmiennymi zależnymi, przy czym strzałka wskazuje zmienną zależną i współczynnik ważenia zaznaczony nad paskiem strzałki. Wariancje zmiennych niezależnych i terminów błędu (lub reszt) są również reprezentowane i połączone z odpowiednią zmienną za pomocą linii krzywych bez grotów strzałek. Obserwowane zmienne są otoczone ramką, a ukryte lub nieobserwowane są otoczone owalem.

Za pomocą takiego diagramu ścieżki opisuje się hipotetyczne współzależności między zmiennymi. Podstawowe zasady SEM pozwalają na obliczenie wariancji i kowariancji zmiennych przy użyciu zaobserwowanych danych. Następnie przeprowadza się formalne testowanie wariancji i kowariancji, aby sprawdzić, czy model pasuje do danych. Aby zaprogramować modele LGCA, na ogół do modelowania trajektorii wymagane są co najmniej 3 powtarzane pomiary zmiennej w czasie (przy tylko 2 pomiarach w różnych punktach czasowych, najlepszym, który można oszacować, jest linia prosta). Ogólna zasada jest taka, że ​​co najmniej 300-500 przypadków jest preferowanych w celu uzyskania odpowiedniej mocy w analizach.

Programowanie i analizowanie modeli LGC często przebiega według określonej kolejności. Jedna potencjalna sekwencja do analizy jest następująca: 1) dwuczynnikowy (punkt przecięcia, nachylenie), liniowy model trajektorii wzrostu; 2) modele eksploracyjne oceniające trendy kwadratowe i sześcienne trajektorii; 3) analiza potencjalnych predyktorów przecięcia i nachylenia; 4) model oceny dopasowania; oraz 5) obliczenie lub zgłoszenie prawdopodobieństwa bycia członkiem określonej grupy lub trajektorii. Specyfikacja i raportowanie diagramu ścieżkowego jest zwykle częścią tej sekwencji analizy i ilustruje hipotetyczne relacje między czynnikami w przystępnej formie. Co ciekawe, czas nie jest traktowany jako zmienna objaśniająca, jak w tradycyjnych technikach regresji. Raczej w LGCA ładunki czynnikowe dla zmiennej z powtarzanymi pomiarami są ograniczone do reprezentowania postulowanego trendu czasowego. W tym sensie każdy punkt czasowy jest traktowany jako oddzielna zmienna, a LGCA w rezultacie nazywa się podejściem wielowymiarowym. Istnieje wiele programów przeznaczonych do budowania i analizowania modeli równań strukturalnych, w tym Mplus, Amos, EQS, LISREL i SAS. Istnieją różne techniki szacowania, które mogą być stosowane w SEM ogólnie, a LGCA w szczególności. Jedną z procedur estymacji, która jest optymalna dla brakujących danych, jest pełna informacja estymacja największego prawdopodobieństwa (FIML), która wykorzystuje wszystkie dostępne dane i nie wymaga listowego usuwania zmiennych w przypadku braków danych.

czy alexander hamilton był abolicjonistą?

Wreszcie, istotnym krokiem w analizie LGCA jest ocena dopasowania modelu. Ponieważ ważna jest ocena prawdopodobieństwa odrzucenia hipotetycznego modelu utajonej krzywej wzrostu, gdy dopasowanie modelu nie jest dobre lub innymi słowy nie jest poprawne w populacji. Ponieważ większość LGM nie pasuje dokładnie do populacji, zastosowanie wysokiej mocy statystycznej doprowadziłoby do odrzucenia bardzo dobrze dopasowanych modeli. Dlatego przy dopasowywaniu modeli nie należy w dużym stopniu polegać na teście ilorazu wiarygodności i należy korzystać z innych metod, które mogą obejmować kilka wskaźników, w tym chi-kwadrat, znormalizowany wskaźnik chi-kwadrat, porównawczy wskaźnik dopasowania, wskaźnik Tuckera-Lewa i pierwiastek Aproksymacja średniokwadratowa (RMSEA). Zauważ, że te wskaźniki dopasowania różnią się od tych używanych w tradycyjnej regresji, takich jak AIC i BIC. Za pomocą tych statystyk dopasowania można porównywać różne modele, ale należy pamiętać, że dobrze dopasowany model nie oznacza, że ​​ilustruje związek przyczynowy między postulowanymi czynnikami.

Odczyty

Podręczniki i rozdziały

  1. Li, Fuzhong. Analiza krzywych utajonych: podręcznik dla analityków danych badawczych. Oregon Research Institute, Eugene, OR. Dostępny tutaj Dostęp w kwietniu 2013. (Zawiera krótkie wprowadzenie koncepcyjne, a następnie szczegółowe podejścia do programowania i kod dla LGCA przy użyciu kilku różnych programów.)

  2. Willet JB, Bub K. Modelowanie równań strukturalnych: analiza utajonej krzywej wzrostu w: Encyklopedia statystyki w naukach behawioralnych, red.: Everitt BS i Howell DC. John Wiley & Sons, Chichester, 2005: 1912-1922. (Wykład wykorzystania LGCA w zakresie modelowania równań strukturalnych wraz z przykładowym zastosowaniem.)

  3. Modelowanie utajonej krzywej wzrostu. W: Kaznodzieja KJ, redaktor. Los Angeles:: SAGE; 2008. Dostępne tutaj i tutaj (Książka ta stanowi mocne wprowadzenie do modeli utajonych krzywych wzrostu. Autorzy zwięźle opisują, w jaki sposób modele utajonej krzywej wzrostu są powiązane z modelowaniem wielopoziomowym oraz jak SEM reprezentuje modele utajonej krzywej wzrostu)

Artykuły metodologiczne

  1. Andruff H, Carraro N, Thompson A, Gaudreau P. Modelowanie wzrostu klas utajonych: samouczek. Tut Quant Meth Psych 2009;5(1):11-24. (Doskonałe wprowadzenie do LGCA ze szczegółowym wyjaśnieniem programowania analizy przy użyciu SAS)

  2. Hertzog C, Nesselroade JR. Ocena zmian psychologicznych w dorosłości: przegląd zagadnień metodologicznych. Psychologia i starzenie się 2003;18(4):639-657. (Kompleksowy przegląd problemów związanych z pomiarem i wyjaśnianiem zmian w czasie. Zawiera wiele szczegółów na temat koncepcyjnych podstaw statystycznych LGCA i modelowania wielopoziomowego oraz porównuje i przeciwstawia użycie obu.)

  3. Llabre M, Spitzer S, Siegel S, et al. Zastosowanie modelowania utajonej krzywej wzrostu do badania indywidualnych różnic w regeneracji układu sercowo-naczyniowego po stresie. Psychosom Med2004;66:29-41.(Ilustracja użycia LGCA z dobrym, krótkim wprowadzeniem koncepcyjnym do LGCA. Dodatek zawiera również kod do samej analizy.)

  4. Stoel RD, van Den Wittenboer G, Hox J. Analiza danych podłużnych za pomocą wielopoziomowej regresji i analizy utajonej krzywej wzrostu. Metodologia de las Ciencias del Comportamiento2003. (Jasne i dobrze zorganizowane porównanie LGCA i modelowania wielopoziomowego. Artykuł ilustruje różnice między MLM i LGCA, gdy pewne założenia są naruszane, a także pokazuje przykłady, w których LGCA jest preferowany w stosunku do MLM i odwrotnie.)

  5. MacCallum RC, Kim C, Malarkey WB, Kiecolt-Glaser JK. Badanie zmian wielowymiarowych za pomocą modeli wielopoziomowych i modeli krzywych ukrytych. Wielowymiarowe badania behawioralne. 1997;32(3):215. (Dokonano porównań między modelowaniem wielopoziomowym a modelami utajonej krzywej wzrostu. W niniejszym artykule przedstawiono przegląd zarówno ich relacji, jak i przypadków, w których użycie jednego byłoby lepsze niż użycie drugiego. Po prostu, MacCallum i wsp. dostarczają (bardzo długo), ale pouczający przegląd MLM i LGCA w zmianie jednowymiarowej, pokazują również, w jaki sposób odnoszą się do zmiany wielowymiarowej, przedstawiają przykład, a następnie porównują oba podejścia.)

Artykuły aplikacyjne

  1. Brunet J, Sabiston CM, Chaiton M, et al. Związek między przeszłą i obecną aktywnością fizyczną a objawami depresji u młodych dorosłych: 10-letnie badanie prospektywne. Ann Epi2013;23:25-30. (Przykład wykorzystania LGCA do opisania długoterminowych związków między umiarkowaną i intensywną aktywnością fizyczną w okresie dorastania a objawami depresji w młodym wieku dorosłym. Obrazuje nakładanie się LGCA i podejścia modelowania wielopoziomowego do analizy zmian w czasie.)

    mistrzowie nauk politycznych
  2. Griffin MJ, Wardell JD, Przeczytaj JP. Niedawna wiktymizacja seksualna i zachowania związane z piciem wśród nowo wypisanych studentów: analiza ukrytego wzrostu. Psych Add Behav 2013: Zaawansowana publikacja online. Doi:10.1037/a0031831. (Przykład użycia LGCA do opisania powiązań między momentem wiktymizacji seksualnej a czasem zachowania związanego z piciem. Dobrze ilustruje stopniowe podejście do budowania i interpretacji modelu.)

  3. Heine C, Browning C, Cowlishaw S, Kendig H. Trajektorie problemów ze słuchem osób starszych: badanie wpływu zachowań zdrowotnych i aktywności społecznej w ciągu 10 lat. Geriatr Gerontol Int 2013: online doi: 10.1111/ggi.12030. (Przykład wykorzystania LGCA do opisania trajektorii utraty słuchu w odniesieniu do czynników wieku i stylu życia, takich jak odżywianie, palenie i aktywność społeczna. Zawiera krótkie podsumowanie zastosowania LGCA oraz przejrzyste wyjaśnienie wyników i sposobu interpretować modele LGCA).

  4. Zahodne LB, Devanand DP, Stern Y. Połączona zmiana poznawcza i funkcjonalna w chorobie Alzheimera oraz wpływ objawów depresyjnych. J Alzh Dis 2013;34:851-60.(Przykład zastosowania wielowymiarowego modelu LCGA do zbadania podłużnych powiązań między funkcjami poznawczymi, funkcjami i depresją u pacjentów z chorobą Alzheimera obserwowanych co 6 miesięcy przez 5,5 roku.)

  5. Muthen, Bengt O. Analiza danych podłużnych z wykorzystaniem modeli zmiennych latentnych o różnych parametrach. (2011).

  6. Jackson, Joshua J., et al. Czy stary pies może nauczyć się (i doświadczyć) nowych sztuczek? Trening poznawczy zwiększa otwartość na doświadczenia u osób starszych. Psychology and Aging 27,2 (2012): 286 (Artykuł ten był jednym z pierwszych badań opisujących zmianę cechy osobowości (otwartość) w wyniku ekspozycji na interwencję mającą na celu poprawę funkcjonowania poznawczego. W analizie wykorzystano LGM, ponieważ chcieli skorygować błąd pomiaru wynikający z powtarzanych pomiarów.)

Kursy

  1. DO jednodniowe warsztaty na temat modelowania krzywej wzrostu są dostępne za pośrednictwem EPIC

  2. Zaawansowane modelowanie równań strukturalnych nauczane przez Randalla Schumackera. Dostępny tutaj (Jest to kurs online, który ilustruje zaawansowane modele SEM wraz z praktycznymi zastosowaniami. Uczy jednak również, jak włączać do modeli krzywe wzrostu utajonych zmiennych)

  3. Modele utajonych krzywych wzrostu (LGCM): podejście modelowania równań strukturalnych (Chapel Hill, Karolina Północna) (2-6 czerwca 2014 r.). Dostępny tutaj . (Ten kurs zapewni koncepcyjne wprowadzenie do modeli LGC, ich teorii i aplikacji. Wymagana jest jednak wcześniejsza wiedza na temat oprogramowania SEM.)

  4. Wprowadzenie do modelowania równań strukturalnych, kurs online Dostępny tutaj

Ciekawe Artykuły

Wybór Redakcji

Rodzaj epidemii, o której nasi naukowcy wiedzieli
Rodzaj epidemii, o której nasi naukowcy wiedzieli
Naukowcy badający koronawirusy wiedzieli, że w pewnym momencie nieuchronnie nadejdzie epidemia podobna do COVID-19. Dowiedz się więcej o znakach ostrzegawczych, które widzieli w swoich badaniach.
Kalendarze
Kalendarze
Privacy International przeciwko Sekretarzowi Stanu ds. Zagranicznych i Wspólnoty Narodów et al.
Privacy International przeciwko Sekretarzowi Stanu ds. Zagranicznych i Wspólnoty Narodów et al.
Columbia Global Freedom of Expression dąży do lepszego zrozumienia międzynarodowych i krajowych norm i instytucji, które najlepiej chronią swobodny przepływ informacji i wypowiedzi w połączonej globalnej społeczności z głównymi wspólnymi wyzwaniami, którym należy sprostać. Aby zrealizować swoją misję, Global Freedom of Expression podejmuje się i zleca projekty badawcze i polityczne, organizuje wydarzenia i konferencje oraz uczestniczy i wnosi wkład w globalne debaty na temat ochrony wolności wypowiedzi i informacji w XXI wieku.
George E. Lewis
George E. Lewis
George E. Lewis jest profesorem muzyki amerykańskiej na Uniwersytecie Columbia, gdzie pełni funkcję Katedry Kompozycji i Wydziału Muzykologii Historycznej.
Cathy
Cathy
„Środek nigdzie” profesora Michele Palermo robi fale na festiwalach
„Środek nigdzie” profesora Michele Palermo robi fale na festiwalach
Zdobył nagrodę dla najlepszego programu telewizyjnego, najlepszego reżysera i najlepszej aktorki dla Eleny Wohl na Międzynarodowym Festiwalu Filmowym w Nowym Jorku w 2021 roku, a także został wybrany jako najlepsza telewizja / odcinek internetowy na festiwalu Hollywood Just 4 Shorts w maju tego roku.
Program języka amerykańskiego
Program języka amerykańskiego
Ucz się angielskiego na kampusie na uniwersytecie Ivy League w jednym z najstarszych i najbardziej szanowanych programów języka angielskiego w USA.