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.