Modele lcga

Des solutions de montage adéquates ont été générées lors de l`utilisation du modèle de base latente comme modèle de base pour le GMM et le LCGA, et le modèle quadratique pour le GMM avec des périodes d`observation variables individuellement. Comme indiqué dans la section des spécifications du modèle ci-dessus, nous avons exécuté plusieurs ensembles de modèles dans lesquels nous avons autorisé différents moyens, variances et covariances à varier d`une classe à l`autre. Les meilleures solutions ont été obtenues pour un modèle dans lequel les paramètres suivants ont été librement estimés: (a) les moyens et les écarts pour les variables latentes représentant l`interception et le changement au fil du temps, (b) les variances résiduelles de six variables observées (scores IMC z), et (c) covariance entre les variables latentes de fonction d`interception et de changement. Pour faciliter l`utilisation de LGMM/LCGA étape par étape dans ce symposium (van de Schoot, 2015) des lignes directrices sont présentées qui peuvent être utilisées pour les chercheurs appliquant les méthodes à des données longitudinales, par exemple, le développement du trouble de stress post-traumatique (SPTSD) après un traumatisme ( Depaoli, van de Schoot, Van Loey, & Sijbrandij, 2015; Galatzer-Levy, 2015). Les lignes directrices comprennent comment utiliser le logiciel mplus (Muthén & Muthén, 1998 – 2012) pour exécuter l`ensemble des modèles nécessaires pour répondre à la question de recherche: combien de classes latentes existent dans les données? L`étape suivante décrite dans les lignes directrices est de savoir comment ajouter des covariables/prédicteurs pour prédire l`appartenance à une classe à l`aide de l`approche en trois étapes (Vermunt, 2010). Enfin, il a décrit les éléments essentiels à rapporter dans le document. Lors de l`application des modèles LGMM/LCGA pour la première fois, les lignes directrices présentées peuvent être utilisées pour guider les modèles à exécuter et ce qu`il faut signaler. Les psychologues pédiatriques sont souvent intéressés à trouver des modèles dans des données longitudinales hétérogènes. La modélisation de mélange variable latente est une approche statistique émergente qui modélise une telle hétérogénéité en classant les individus en groupements avec des schémas similaires, appelés classes latentes. Le but de ce deuxième article est d`offrir un aperçu non technique et une introduction à la modélisation longitudinale des mélanges pour faciliter les applications des modèles de mélanges à variables latentes (LVMM) dans le domaine de la psychologie pédiatrique. Dans la partie 1 (Berlin, Williams, & Parra, 2014), nous avons donné un aperçu de LVMM, mis en évidence les points forts de cette approche analytique, et examiné des stratégies pour déterminer le nombre optimal de sous-groupes observés. Des exemples pas-à-pas ont été fournis illustrant deux types importants de modélisation de mélanges transversaux: les analyses des classes latentes et des profils latents. Cet article connexe s`appuie sur les connaissances fondamentales présentées dans la partie 1 et fournit des exemples pas à pas illustrant les LVMMs étroitement liés de données longitudinales: une analyse de croissance de classe latente (LCGA) et deux variantes d`un modèle de mélange de croissance (GMM).

liftdivision