编者 轨迹增长模型(Latent Class Trajectory Model,LCTM)又叫潜类别轨迹模型,它分为潜类别混合增长模型(LGMM/GMM)和群组轨迹模型(GBTM)(群组轨迹模型又叫组基轨迹模型,也可以称为潜类别增长模型(LCGA))。 轨迹增长模型近年来非常热门,今天这篇文章和诸位分享一下,干货多多! 本篇是潜变量系列文章第7篇 拓展 纵向数据通俗点就是指是指对同一组受试个体或者受试单元在不同时间点上重复观测若干次,得到由截面和时间序列融合在一起的数据。 传统的纵向数据分析方法有:重复测量方差分析(RM-ANOVA)、广义估计方程(GEE)、线性混合效应模型(LMM)、广义线性混合效应模型(GLMM)、非线性混合效应模型(NONMEM)、潜增长曲线模型(LGCM)等等。 目前大多数纵向研究都使用线性混合效应模型(LMMs),该模型将重复测量与随机效应相关联,但其侧重于平均人口轨迹,没有考虑到某些个体在群体具有不同发展轨迹的可能性。而潜增长曲线模型是基于结构方程提出来的模型,用于探索群体特征随时间变化发展的过程或者轨迹,但是这一方法前提假设也是群体同质性。 传统的纵向数据分析方法都是不考虑异质性,认为所有的人都有同样的轨迹,协变量对所有人的作用都是一样的。但是这个假设往往不能总是成立,特别是以人为研究中心,人群中就算是同一个变量(特质)也是存在着不同的轨迹的,总体往往具有较大的异质性,所以如果我们用传统方法认为一个轨迹就能说明所有的问题的话,其实是过分简单化了,这时候我们就要考虑轨迹的潜类别了,这就涉及到了我们今天要讲的轨迹增长模型。 接下来我们看一下轨迹增长模型的具体定义。轨迹增长模型分为潜类别混合增长模型和群组轨迹模型。二者都是在给定的群体中,根据随时间发展的不同变化趋势将其分成不同的类(亚组),而区别就在于:
案例分享 总结 |
|