"혼합 효과 모델링"과 "잠재적 성장 모델링"의 차이점은 무엇입니까?


15

MEM (혼합 효과 모델)에 익숙하지만 동료가 최근에 LGM (잠재적 성장 모델)과 비교할 수있는 방법을 물었습니다. 나는 약간의 인터넷 검색을했으며 LGM은 적어도 하나의 임의 효과의 각 수준 내에서 반복 된 측정 값을 얻는 환경에 적용되는 구조 방정식 모델링의 변형 인 것처럼 보입니다. 따라서 Time은 모델에서 고정 효과가됩니다. 그렇지 않으면 MEM과 LGM은 매우 유사 해 보입니다 (예 : 둘 다 다른 공분산 구조 탐색 등을 허용 함).

LGM이 개념적으로 MEM의 특수한 사례이거나 다른 유형의 이론을 평가할 수있는 가정 또는 수용 능력과 관련하여 두 가지 접근 방식간에 차이가 있습니까?


2
용어 임의 효과, 고정 효과, 잠재 성장은 상황에 따라 다른 것을 의미 할 수 있습니다. Andrew Gelman은 두 번째 정의와 관련하여 몇 가지 정의의 예가 포함 된 블로그 게시물을 보유했습니다. 따라서 이러한 모델의 정의에 대한 링크를 제공하면 좋을 것입니다. 일반적으로 나는 당신이 당신의 가정에 맞다고 생각합니다. 회귀 변수의 분산이 제한되어 있다는 일반적인 가정은 유지되지 않기 때문에 시간 추세는 일반적으로 개별적으로 처리되므로 시간 추세에 대해서는 모델 추정 및 해석 측면에서 실제로 아무것도 변경되지 않음을 보여 주어야합니다.
mpiktas

답변:


12

LGM은 MEM으로 또는 그 반대로 변환 될 수 있으므로 이러한 모델은 실제로 동일합니다. 나는 다단계 책에서 LGM에 관한 장에서 비교를 논의하고, 그 장의 초안은 내 홈페이지 http://www.joophox.net/papers/chap14.pdf 에 있습니다 .


귀하의 회신에 감사 드리며 당사 사이트에 오신 것을 환영합니다! (응답에서 닫는 말을 제거한 이유는 FAQ 를 참조하십시오 .)
whuber

10

이 주제를 살펴볼 때 찾은 내용은 다음과 같습니다. 나는 통계 담당자가 아니기 때문에 비교적 기본적인 개념을 사용하여 이해하는 방법을 요약하려고했습니다. :-)

이 두 프레임 워크는 "시간"을 다르게 취급합니다.

  • MEM은 중첩 된 데이터 구조 (예 : 교실 내에 중첩 된 학생)가 필요하며 시간은 가장 낮은 수준에서 독립 변수로 취급되며 두 번째 수준에서 개인으로 처리됩니다.
  • LGM은 잠재적 변수 접근 방식을 채택하고 요인 로딩을 통해 시간을 통합합니다 ( 이 답변 은 그러한 요인 로딩 또는 "시간 점수"가 어떻게 작동하는지 자세히 설명합니다).

이러한 차이로 인해 특정 데이터를 처리 할 때 두 프레임 워크의 장점이 다릅니다. 예를 들어, MEM 프레임 워크에서는 더 많은 레벨 (예 : 학교에 중첩 된 교실에 중첩 된 학생)을 쉽게 추가 할 수 있으며, LGM에서는 측정 오류를 모델링하고 여러 경로를 결합하여 더 큰 경로 모델에 포함시킬 수 있습니다 성장 곡선 또는 결과 변수에 대한 예측 변수로 성장 인자를 사용하여.

그러나 최근의 개발로 인해 이러한 프레임 워크 간의 차이점이 희미 해졌으며 일부 연구자들은이를 "불쌍한 쌍둥이"라고 불렀습니다. 본질적으로, MEM은 일 변량 접근법이며, 시점은 동일한 변수의 관측 값으로 취급되는 반면, LGM은 각각의 시점이 별개의 변수로 취급되는 다변량 접근법이다. LGM에서 잠복 변수의 평균 및 공분산 구조는 MEM의 고정 및 랜덤 효과에 해당하므로 동일한 결과를 가진 프레임 워크를 사용하여 동일한 모델을 지정할 수 있습니다.

따라서 LGM을 MEM의 특수 사례로 생각하기보다는 잠복 (성장) 요인에 대한 해석이 가능한 방식으로 고정 된 요인 로딩 을 갖는 특수 요인 분석 모델 로 간주 합니다.

당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.