Glavni Drugo Analiza krivulje latentne rasti

Analiza krivulje latentne rasti

Pregled

Programska oprema

organizacije za človekove pravice nyc

Opis

Spletne strani

Branja

Tečaji

Pregled

Obstaja več statističnih pristopov, s katerimi lahko analiziramo poti sprememb spremenljivke ali spremenljivk skozi čas. Najenostavnejši pristop je opisati spremembo spremenljivke od ene časovne točke do druge časovne točke - rezultat spremembe. Vendar pa so v longitudinalnih študijah, ki vključujejo več kot dve oceni skozi čas, potrebne bolj izpopolnjene tehnike, ki ne opisujejo le poti sprememb, temveč tudi določajo medsebojne povezave spremenljivk in napovedovalcev.

Opis

Analiza krivulje latentne rasti (LGCA) je močna tehnika, ki temelji na modeliranju strukturnih enačb. Drugi pristop, o katerem tukaj ne bomo neposredno razpravljali, je večstopenjsko modeliranje, ki uporablja statistične tehnike splošne linearne regresije in določa fiksne in naključne učinke. LGCA po drugi strani upošteva spremembe skozi čas v smislu osnovnega, latentnega, neopaženega procesa. Oba pristopa sta si podobna in v večini primerov dajeta enake ocene. Vendar je LGCA v nekaterih pogledih bolj prilagodljiv kot večnivojsko modeliranje in lahko preučuje vprašanja, ki pri večstopenjskem modeliranju niso mogoča. Na primer, večstopenjsko modeliranje časovne rezultate obravnava drugače. Čeprav se časovni rezultati štejejo za podatke v MLM, so lahko parametri v LGCA in jih je mogoče oceniti. Z LGCA lahko v smislu poti sprememb spremenimo smer in funkcionalno obliko. Prav tako je mogoče preučiti presek krivulje ali njeno začetno raven, če je to zanimivo za raziskovalno vprašanje. Morda pa je najpomembnejše, da lahko LGCA namesto skupinske statistike, ki zagotavlja povprečno krivuljo ali presek vzorca, poleg preizkušanja hipoteze o poteh gibanja predstavlja enolične krivulje za vsakega posameznika ali skupine posameznikov, predstavljene kot odstopanja od povprečne funkcije. zanima raziskovalca. Izguba informacij, ki je posledica povprečenja edinstvenih poti, se včasih imenuje pristranskost agregacije. Če se domneva, da imajo posamezniki sčasoma lahko pozitivne spremembe in tudi negativne spremembe spremenljivke, potem postopek, ki združuje ali povpreči trajektorije, ni primeren za opis sprememb, saj lahko posameznikova pot prekliče ali prikrije učinek drugih poti.

Ena od prednosti LGCA je njegova prilagodljivost. Lahko analiziramo in modeliramo vrsto zanimivih parametrov, začenši z eno samo usmeritvijo rasti v eni spremenljivki (za katero je značilen prestrezanje in naklon) in napredujoč do bolj zapletenih modelov. Dejansko lahko več modelov obravnavamo kot posebne ali omejene primere modelov LGC, kar je mogoče, če so izpolnjene določene predpostavke: na primer ponavljajoča se analiza variance in faktorska analiza. LGCA omogoča razdelitev razlike v rasti in analizo različnih napovedovalcev. Najdemo grozde primerov z edinstvenimi krivuljami rasti. Vključiti je mogoče tudi časovno specifično merilno napako, za razliko od tradicionalnih regresijskih pristopov, ki omogoča heteroscedastičnost in zagotavlja zanesljivost rezultatov, tako da lahko nekdo oceni parametre ločeno od merilne napake. LGCA omogoča tudi kovarianco med varianco za naklon in varianco za presek, za razliko od tradicionalnih regresijskih pristopov. Končno, multivariatni modeli LGCA omogočajo modeliranje in testiranje vzdolžnih povezav med več spremenljivkami izida, ki so bile sčasoma večkrat izmerjene. Ena od slabosti LGCA je, da uporablja jezik in tehnike modelov strukturnih enačb (SEM), ki za načrtovanje in analizo zahtevajo strokovno znanje in napredno usposabljanje. Tudi manjkajoča opazovanja in neenakomerno razporejena opazovanja sčasoma zahtevajo posebno obravnavo v modelih.
Da bi razumeli analitični pristop LGCA, je potrebno nekaj ozadja v SEM. SEM predstavljajo splošen okvir za modeliranje, ki omogoča preizkušanje asociacijskih vzorcev med opaženimi in latentnimi spremenljivkami. Omogočajo teste razmerij med spremenljivkami s preizkusi varianc in kovarianc med spremenljivkami. SEM so bili uporabljeni za različne namene, vključno z vzročnim modeliranjem, analizo poti, faktorsko analizo in regresijskimi modeli. Številne SEM lahko zapišemo kot diagrame poti. Na primer, preprosto linearno regresijsko enačbo Y = aX + e lahko predstavimo v naslednjem diagramu poti (reproducirano iz http://www.statsoft.com/textbook/structural-equation-modeling/ ). V diagramih puščic puščice povezujejo neodvisne spremenljivke z odvisnimi spremenljivkami, puščica je usmerjena proti odvisni spremenljivki in s ponderiranim koeficientom, navedenim nad puščico. Variacije neodvisnih spremenljivk in izrazov napak (ali ostankov) so prav tako predstavljene in povezane z ustrezno spremenljivko z ukrivljenimi črtami brez puščic. Opazovane spremenljivke so obdane s polju, latentne ali neopažene spremenljivke pa z ovalno.

Eden opisuje domnevne medsebojne povezave med spremenljivkami z uporabo takega diagrama poti. Osnovna pravila SEM omogočajo izračun variance in kovarianc spremenljivk z uporabo opazovanih podatkov. Nato se izvede formalno testiranje varianc in kovarianc, da se ugotovi, ali model ustreza podatkom. Za programiranje modelov LGCA na splošno potrebujejo vsaj 3 ponavljajoče se meritve spremenljivke skozi čas za modeliranje poti (z le dvema meritvama v različnih časovnih točkah je najboljša, ki jo lahko ocenimo, ravna črta). Splošno pravilo je tudi, da je za primerno moč v analizah priporočljivo vsaj 300-500 primerov.

Programiranje in analiza modelov LGC pogosto sledi določenemu zaporedju. Eno potencialno zaporedje za analizo je naslednje: 1) dvofaktorski (prerez, naklon), linearni model trajektorije rasti; 2) raziskovalni modeli, ki ocenjujejo kvadratne in kubične trende na poti; 3) analiza potencialnih napovedovalcev prestrezanja in naklona; 4) ocene primernosti modela; in 5) izračun ali poročanje o verjetnosti članstva v določeni skupini ali poti. Specifikacija in poročanje diagrama poti je prav tako običajno del tega zaporedja analize in v dostopni obliki ponazarja hipotetična razmerja med dejavniki. Zanimivo je, da se čas ne obravnava kot razlagalna spremenljivka kot v tradicionalnih regresijskih tehnikah. Namesto tega so pri LGCA omejitve faktorjev za spremenljivko s ponavljajočimi se meritvami omejene, da predstavljajo predpostavljeni časovni trend. V tem smislu se vsaka časovna točka obravnava kot ločena spremenljivka, zato se LGCA imenuje multivariatni pristop. Obstaja vrsta programov, ki so zasnovani za izdelavo in analizo modelov strukturnih enačb, vključno z Mplus, Amos, EQS, LISREL in SAS. Obstajajo različne tehnike ocenjevanja, ki se lahko uporabljajo v SEM na splošno in zlasti LGCA. Eden od postopkov ocenjevanja, ki je optimalen za manjkajoče podatke, je ocena največje verjetnosti (FIML), ki uporablja vse razpoložljive podatke in v primeru manjkajočih vrednosti ne zahteva brisanja spremenljivk na seznamu.

aetna dental ppo načrti

Na koncu je bistveni korak v analizi LGCA ocena ocene ustreznosti modela. Ker je pomembno oceniti verjetnost zavrnitve hipotetiziranega modela krivulje latentne rasti, kadar ujemanje modela ni dobro ali drugače ni pravilno v populaciji. Ker večina LGM ne ustreza natančno populaciji, bi uporaba velike statistične moči privedla do zavrnitve zelo dobrih modelov vgradnje. Zato se pri vgradnji modelov ne smemo močno zanašati na test razmerja verjetnosti in uporabljati druge metode, ki lahko vključujejo več indeksov, vključno s hi-kvadratom, normiranim indeksom hi-kvadrat, primerjalnim indeksom prileganja, Tucker-Lew-jevim indeksom in Root-om Približevanje srednjega kvadrata (RMSEA). Upoštevajte, da se ti indeksi primernosti razlikujejo od tistih, ki se uporabljajo v tradicionalni regresiji, kot sta AIC in BIC. Z uporabo teh statističnih podatkov o primernosti je mogoče primerjati različne modele, vendar je pomembno vedeti, da primerni model ne pomeni, da ponazarja vzročno zvezo med postavljenimi dejavniki.

Branja

Učbeniki in poglavja

  1. Li, Fuzhong. Analiza latentne krivulje: priročnik za analitike raziskovalnih podatkov. Oregonski raziskovalni inštitut, Eugene, OR. Na voljo tukaj Dostopno aprila 2013. (Ponuja kratek konceptualni uvod, ki mu sledijo podrobni programski pristopi in koda za LGCA z uporabo več različnih programov.)

  2. Willet JB, Bub K. Modeliranje strukturnih enačb: analiza krivulje latentne rasti v: Encyclopedia of Statistics in Behavioral Science, ur: Everitt BS in Howell DC. John Wiley & Sons, Chichester, 2005: 1912-1922. (Predstavitev uporabe LGCA, zasnovanega v smislu modeliranja strukturnih enačb, s primerom uporabe.)

  3. Modeliranje krivulje latentne rasti. V: Preacher KJ, urednik. Los Angeles :: SAGE; 2008. Na voljo tukaj in tukaj (Ta knjiga nudi močan uvod v modele krivulje latentne rasti. Avtorji na kratko opisujejo, kako so povezani modeli krivulje latentne rasti in modeliranje na več ravneh in kako SEM predstavlja modele krivulje latentne rasti)

Metodološki članki

  1. Andruff H, Carraro N, Thompson A, Gaudreau P. Modeliranje latentnega razreda: vadnica. Tut Quant Meth Psych 200; 5 (1): 11-24. (Odličen uvod v LGCA s podrobno razlago programiranja analize z uporabo SAS)

  2. Hertzog C, Nesselroade JR. Ocenjevanje psiholoških sprememb v odrasli dobi: pregled metodoloških vprašanj. Psih in staranje 2003; 18 (4): 639-657. (Izčrpen pregled vprašanj pri merjenju in razlagi sprememb skozi čas. Ponuja veliko podrobnosti o konceptualni statistični podlagi LGCA in večnivojskega modeliranja ter primerja in nasprotuje uporabi obeh.)

    potovanje, medtem ko je opt v teku
  3. Llabre M, Spitzer S, Siegel S, et al. Uporaba modeliranja krivulje latentne rasti za preiskovanje posameznih razlik v okrevanju srca in ožilja po stresu. Psychosom Med2004; 66: 29-41. (Ilustracija uporabe LGCA z dobrim, kratkim konceptualnim uvodom v LGCA. Dodatek vsebuje tudi kodo za samo analizo.)

  4. Stoel RD, van Den Wittenboer G, Hox J. Analiza vzdolžnih podatkov z uporabo večstopenjske regresije in analize krivulje latentne rasti. Metodologia de las Ciencias del Comportamiento 2003. (Jasna in dobro organizirana primerjava LGCA in večstopenjskega modeliranja. Prispevek ponazarja razlike med MLM in LGCA, kadar so kršene določene predpostavke, ter primere, kjer je LGCA prednost pred MLM in obratno.)

  5. MacCallum RC, Kim C, Malarkey WB, Kiecolt-Glaser JK. Preučevanje večvariatnih sprememb z uporabo večnivojskih modelov in modelov z latentno krivuljo. Multivariatne vedenjske raziskave. 1997; 32 (3): 215. (Narejene so primerjave med modeli na več ravneh in modeli latentne krivulje rasti. Ta članek predstavlja pregled obojega, njihovega razmerja in primerov, ko bi bila uporaba enega boljša od uporabe drugega. Preprosto, MacCallum et al., Zagotavljajo (zelo dolgo), a informativni pregled MLM in LGCA pri eno spremenljivkah, pokažejo tudi, kako se uporabljajo za večvariatne spremembe, predstavijo primer in nato primerjajo oba pristopa.)

Članki o prijavi

  1. Brunet J, Sabiston CM, Chaiton M, et al. Povezava med preteklo in trenutno telesno aktivnostjo ter simptomi depresije pri mladih odraslih: 10-letna prospektivna študija. Ann Epi2013; 23: 25-30. (Primer uporabe LGCA za opis longitudinalnih povezav med mladostniško zmerno močno telesno aktivnostjo in simptomi depresije v mladosti. Ponazarja prekrivanje med pristopi LGCA in večstopenjskim modeliranjem k analizi sprememb skozi čas.)

    doktorski program za javno zdravje
  2. Griffin MJ, Wardell JD, branje JP. Nedavna spolna viktimizacija in vedenje pitja pri novo maturiranih študentih: analiza latentne rasti. Psych Add Behav 2013: Advance spletna publikacija. Doi: 10.1037 / a0031831. (Primer uporabe LGCA za opis povezav med časom spolne viktimizacije in časom pitja pijače. Dobro ponazarja postopni pristop k oblikovanju in interpretaciji modelov.)

  3. Heine C, Browning C, Cowlishaw S, Kendig H. Trajekcije težav s sluhom starejših odraslih: preučevanje vpliva zdravstvenega vedenja in družbene aktivnosti v desetih letih. Geriatr Gerontol Int 2013: spletni doi: 10.1111 / ggi.12030. (Primer uporabe LGCA za opis poti upadanja sluha glede na starost in dejavnike življenjskega sloga, kot so prehrana, kajenje in družbena dejavnost. Vključuje kratek povzetek uporabe LGCA in lucidno razlago rezultatov in načina za razlago modelov LGCA.)

  4. Zahodne LB, Devanand DP, Stern Y. Povezane kognitivne in funkcionalne spremembe pri Alzheimerjevi bolezni in vpliv simptomov depresije. J Alzh Dis 2013; 34: 851-60. (Primer uporabe multivariatnega modela LCGA za preučevanje vzdolžnih povezav med kognicijo, funkcijo in depresijo pri bolnikih z Alzheimerjevo boleznijo je sledil vsakih 6 mesecev v 5,5 letih.)

  5. Muthen, Bengt O. Analiza vzdolžnih podatkov z uporabo latentnih spremenljivk z različnimi parametri. (2011).

  6. Jackson, Joshua J., et al. Se lahko stari pes nauči (in želi izkusiti) novih trikov? Kognitivni trening poveča odprtost za izkušnje pri starejših odraslih. Psihologija in staranje 27.2 (2012): 286 (Ta članek je bil ena prvih študij, ki opisuje spremembo osebnostnih lastnosti (odprtost) kot posledica izpostavljenosti posegu, namenjenemu izboljšanju kognitivnega delovanja. V analizi so raziskovalci uporabili drugo vrsto LGM, ker so se želeli prilagoditi na merilno napako, ki je posledica ponavljajočih se meritev.)

Tečaji

  1. TO enodnevna delavnica o modeliranju krivulje rasti je na voljo prek EPIC

    new york times vs nas
  2. Napredno modeliranje strukturnih enačb je poučeval Randall Schumacker. Na voljo tukaj (To je spletni tečaj, ki prikazuje napredne modele SEM s praktičnimi aplikacijami. Študent pa tudi uči, kako v modele vključiti latentne spremenljive krivulje rasti)

  3. Modeli krivulje latentne rasti (LGCM): Pristop modeliranja strukturnih enačb (Chapel Hill, NC) (2.-6. Junij 2014). Na voljo tukaj . (Ta tečaj bo ponudil konceptualni uvod v modele LGC, njegove teorije in aplikacije. Vendar pa je potrebno predhodno znanje programske opreme SEM.)

  4. Uvod v modeliranje strukturnih enačb, spletni tečaj Na voljo tukaj

Zanimivi Članki

Izbira Urednika

Premiera 28 filmov na filmskem festivalu Sundance 2018
Premiera 28 filmov na filmskem festivalu Sundance 2018
Filmski festival Sundance 2018 bo premierno predstavil 27 filmov in en imerziven projekt umetne inteligence, ki predstavlja delo filmskih ustvarjalcev univerze Columbia v celotnem pisanju, režiji in produkciji ter številna druga delovna mesta, vključno z urednikom, nadzornikom scenarija, koproducentom, vodjo produkcije enote, Casting Režiser, nadzornik post produkcije, direktor kastinga in izvršni producent.
Christopher Doll
Christopher Doll
Christopher Doll je izredni profesor za glasbo na Rutgersovi šoli umetnosti Mason Gross. Doll je teoretik-skladatelj, specializiran za najnovejšo popularno in umetniško glasbo, zlasti za tonalnost in medbesedilnost.
Izvršni direktor podjetja Antena 3 proti Extraconfidencial, S.L.
Izvršni direktor podjetja Antena 3 proti Extraconfidencial, S.L.
Global Columbia Global Freedom of Expression želi pospešiti razumevanje mednarodnih in nacionalnih norm in institucij, ki najbolje varujejo prosti pretok informacij in izražanja v medsebojno povezani svetovni skupnosti z glavnimi skupnimi izzivi. Da bi dosegel svoje poslanstvo, Global Freedom of Expression izvaja in naroča raziskovalne in politične projekte, organizira dogodke in konference ter sodeluje in prispeva k globalnim razpravam o zaščiti svobode izražanja in informacij v 21. stoletju.
Toronto Star v. AG Ontario
Toronto Star v. AG Ontario
Global Columbia Global Freedom of Expression želi pospešiti razumevanje mednarodnih in nacionalnih norm in institucij, ki najbolje varujejo prosti pretok informacij in izražanja v medsebojno povezani svetovni skupnosti z glavnimi skupnimi izzivi. Da bi dosegel svoje poslanstvo, Global Freedom of Expression izvaja in naroča raziskovalne in politične projekte, organizira dogodke in konference ter sodeluje in prispeva k globalnim razpravam o zaščiti svobode izražanja in informacij v 21. stoletju.
Dennis proti ZDA
Dennis proti ZDA
Global Columbia Global Freedom of Expression želi pospešiti razumevanje mednarodnih in nacionalnih norm in institucij, ki najbolje varujejo prosti pretok informacij in izražanja v medsebojno povezani svetovni skupnosti z glavnimi skupnimi izzivi. Da bi dosegla svoje poslanstvo, Global Freedom of Expression izvaja in naroča raziskovalne in politične projekte, organizira dogodke in konference ter sodeluje in prispeva k globalnim razpravam o zaščiti svobode izražanja in informacij v 21. stoletju.
PI Crash Tečaj: Spretnosti za prihodnje ali nove vodje laboratorijev
PI Crash Tečaj: Spretnosti za prihodnje ali nove vodje laboratorijev
Najnovejši tečaj PI Crash v živo je potekal od 10. do 11. junija 2021. Prijavite se spodaj, če želite slišati o naslednjem treningu! Crash tečaj glavnega preiskovalca (PI) je dvodnevni intenzivni zagonski tabor seminarjev, razprav in praktičnih sej, ki zagotavljajo izpostavljenost temeljnim vodstvenim in vodstvenim veščinam ter orodjem, potrebnim za uspeh v vašem laboratoriju. Naročite se na posodobitve
Depresija v ZDA narašča, zlasti med mladimi najstniki
Depresija v ZDA narašča, zlasti med mladimi najstniki
Zdi se, da depresija narašča med Američani na splošno, zlasti med mladimi. Spoznajte najnovejše informacije o tem novem trendu pri Columbia Public Health.