“混合效应模型”和“潜在增长模型”之间有什么区别?


15

我对混合效应模型(MEM)非常熟悉,但是一位同事最近问我如何将其与潜在增长模型(LGM)进行比较。我做了一些谷歌搜索,看来LGM是结构方程模型的一种变体,适用于在至少一个随机效应的每个级别内获得重复测量的情况,从而使时间成为模型中的固定效应。否则,MEM和LGM看起来很相似(例如,它们都允许探索不同的协方差结构等)。

我是否认为LGM在概念上是MEM的特例,还是两种方法在其假设或评估不同类型理论的能力方面存在差异?


2
术语“随机效应”,“固定效应”,“潜在增长”在不同环境下可能意味着不同的事物。关于第二篇,安德鲁·盖尔曼(Andrew Gelman)的博客文章中列举了几种定义。因此,如果您提供了这些模型的定义的链接,那就太好了。总的来说,我认为您的假设是正确的。通常不对时间趋势进行单独处理,因为通常认为回归变量的方差是有限的,因此您必须证明,对于时间趋势,这在模型估计和解释方面并没有任何改变。
mpiktas 2011年

Answers:



10

这是我在研究本主题时发现的。我不是统计人员,所以我尝试使用相对基本的概念来总结我的理解:-)

这两个框架以不同的方式对待“时间”:

  • MEM需要嵌套的数据结构(例如,嵌套在教室中的学生),时间在最低层被视为自变量,个人在第二层被视为
  • LGM采用潜变量方法,并通过因子负载合并时间(此答案详细说明了此类因子负载或“时间分数”如何工作)。

这种差异导致两个框架在处理某些数据方面的优势不同。例如,在MEM框架中,可以轻松添加更多级别(例如,学生嵌套在学校嵌套的教室中),而在LGM中,可以对测量误差进行建模,并通过组合多个误差将其嵌入更大的路径模型中增长曲线,或使用增长因子作为结果变量的预测变量。

但是,最近的发展模糊了这些框架之间的差异,一些研究人员将它们称为“不平等的孪生兄弟”。本质上,MEM是单变量方法,将时间点视为对同一变量的观察,而LGM是多变量方法,将每个时间点视为单独的变量。LGM中潜在变量的均值和协方差结构对应于MEM中的固定效应和随机效应,因此可以使用任一框架指定相同模型并获得相同结果。

因此,与其将LGM视为MEM的特例,不如将它视为因子分析模型的特例,并以这种方式固定了因子负载,从而可以解释潜在(增长)因子。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.