用于考察非线性轨迹异质性的两步增长混合模型
统计方法学
2022-05-10 v9
摘要
实证研究者通常感兴趣于在揭示样本异质性并将样本划分为更同质组别时，考察基线协变量的影响。然而，在结构方程模型（SEM）框架下的大量研究通常从关于异质性及其可能原因的模糊假设出发。这表明（1）带有协变量的恰当模型的确定与设定并非易事，（2）鉴于SEM框架下的模型通常较为复杂，且在广泛采用该框架的心理与教育领域中候选协变量池通常极为庞大，探索过程可能计算密集。遵循Bakk与Kuha（2017），本文提出一种两步增长混合模型（GMM），用于考察非线性轨迹的潜类别与基线特征之间的关系。我们的模拟研究表明，所提模型能够对非线性变化模式进行聚类，并无偏、精确地估计感兴趣的参数，且表现出恰当的置信区间覆盖率。考虑到候选协变量池通常庞大且高度相关，本研究还提出实施探索性因子分析（EFA）以降维协变量空间。我们阐释了如何运用混合方法，即两步GMM与EFA，来高效探索纵向数学成就数据的非线性轨迹异质性。
引用
@article{arxiv.1911.09937,
title = {Two-step growth mixture model to examine heterogeneity in nonlinear trajectories},
author = {Jin Liu and Le Kang and Roy T. Sabo and Robert M. Kirkpatrick and Robert A. Perera},
journal= {arXiv preprint arXiv:1911.09937},
year = {2022}
}
备注
\textcircled{c}2021, Journal of Behavioral Data Science. This paper is not the copy of record and may not exactly replicate the final, authoritative version of the article. Please do not copy or cite without authors' permission. The final article will be available, upon publication, via its DOI: 10.35566/jbds/v1n2/p4