潜变量增长模型-段.pptxVIP

内容 内容 第一部分 纵向数据 第一部分 第一部分 纵向数据 第一部分 是指对研究对象进行长期追踪观察、重复测量个体有关变量所获得的数据。其特征包括但不限于： （1）具有两类变异来源：研究对象个体内变异和研究对象个体间变异； （2）研究对象个体内观察值之间通常存在相关； （3）个体间变异可能会因时间的变化而变化； （4）纵向数据通常是非完整数据，重复测量的次数和测量的间隔时间 可因个体而异。 纵向数据处理方法 第一部分 纵向数据 纵向数据 重复测量的方差分析： 关心数据总体上有没有线性或非线性变化，较少关注个体之间的差异。 时间序列分析： 要求重复测量的次数较多，数据要求上较为特殊。 广义估计方程： 它将因变量对自变量的回归与组内相关性分开进行建模，研究的重点是 回归系数的估计，而对困扰着重复测量数据间的相关性，利用一个“工作相关矩阵”进行表达。 多水平模型（分层线性模型）： 在分析嵌套数据时允许多级方差的区分，数据主要特征是因变量的分布在个体间不具备独立性，且在特定空间范围内存在聚集性。 潜变量增长模型： 可以对个体发展趋势和个体间差异进行解释，提供线性或非线性增长模型。 潜变量增长模型 第一部分 纵向数据 纵向数据 潜变量增长模型(Latent Growth Modeling, LGM) 是在结构方程模型的基础上发展起来的，与传统统计方法（如重复测量的方差分析）只关注群组均值不同，它可以同时对观察单位的发展趋势和个体间的差异进行解释，并且可以对变量之间复杂的因果关系进行分析，是通过因子（潜变量）来描述重复测量变量的发展特征。该模型不限制线性或者非线性，传统的方法都假定个体以同样的速度在变化，而LGM 允许个体的变化率存在差异，并且提供这种差异的估计。用于探究某一变量的变化轨迹。 第二部分 模型设定 第二部分 第二部分 模型设定 第二部分 模型设定 第二部分 模型设定 模型设定 第二部分 模型设定 模型设定 第二部分 模型设定 第三部分 时间的测量尺度 第三部分 模型设定 第三部分 时间的测量尺度 第四部分 参数估计 第四部分 模型设定 第四部分 参数估计 模型设定 第四部分 参数估计 第五部分 模型评估 第五部分 模型设定 第五部分 模型评估 第六部分 模型应用 第六部分 第六部分 模型应用 即不带任何协变量的潜变量发展模型 模型中纳入协变量： 时间恒定协变量 时间变化协变量 同时分析多个结局测量的发展： 平行发展过程 顺序发展过程 非条件线性LGM 多结局测量发展过程的线性LGM 条件线性LGM 潜类别分析（LCA） 在发展轨迹研究中考虑总体中存在不同轨迹模式的情形 模型设定 第六部分 模型应用 数据介绍 模型设定 第六部分 模型应用 数据介绍 * Prospective associations between pulse pressure and cognitive performance in Chinese middle-aged and older population across a 5-year study period 模型设定 第六部分 模型应用 非条件线性LGM 第六部分 模型应用 非条件线性LGM 模型设定 第六部分 模型应用 时间恒定和时间变化协变量LGM模型： 条件线性LGM 第六部分 模型应用 条件线性LGM 第六部分 模型应用 第六部分 模型应用 多结局测量发展过程的线性LGM 第六部分 模型应用 多结局测量发展过程的线性LGM 第六部分 模型应用 潜类别分析 常规发展建模技术内在的假定：样本中的所有个体来自同一个总体， 具有相同的轨迹模式(pattern of trajectory) ，但是个体特征上的差异造成了个体轨迹对平均发展轨迹的偏离，即个体发展轨迹模式相同，而水平上各异。 社会科学研究中总是不可忽略总体异质性的存在。 发展轨迹作为个体所经历生命事件的累积，更是具有不同忽略的异质性。 这种异质性不仅体现在水平上，更重要的是体现在模式上。 这就要求在发展轨迹研究中考虑总体中存在不同轨迹模式的情形。  第六部分 模型应用 潜类别分析（Latent Class Analysis, LCA）： 基于模型处理群体异质性的方法是将传统增长模型与潜类别分析相结合的模型，则即可以刻画增长趋势又可以考虑群体异质性。其中，组基增长模型(group based trajectory modeling)或潜类别增长模型(latent class growth model, LCGM)与增长混合模型(growth mixture modeling, GMM)是目前两种最常用也是影响最大的处理群体异质增长的模型。 潜类别分析 第六部分 模型应用 潜类别增长模型（ laten