Questions tagged «latent-class»

内容： 想象一下，您进行了一项纵向研究，该研究每周对200名参与者进行一次为期20周的因变量（DV）测量。尽管我对一般情况感兴趣，但我考虑的典型DV包括录用后的工作表现或临床心理干预后的各种福祉测量。 我知道可以使用多层建模来建模时间与DV之间的关系。您还可以允许系数（例如截距，斜率等）在个体之间变化，并估计参与者的特定值。但是，如果在目视检查数据时发现时间与DV之间的关系为以下任意一种情况，该怎么办： 功能形式不同（也许有些是线性的，有些是指数的，或者有些不连续） 误差方差不同（某些人从一个时间点到下一个时间点更不稳定） 问题： 什么是处理这样的数据建模的好方法？ 具体来说，哪种方法擅长识别不同类型的关系，并根据其类型对个人进行分类？ R中有哪些实现可用于此类分析？ 是否有关于如何执行此操作的参考：教科书或实际应用程序？

32 repeated-measures  random-effects-model  latent-class 

潜在类分析（LCA）与聚类分析可得出的推断有何区别？LCA假设一个潜在的潜在变量会引起这些类，而聚类分析是对聚类算法中相关属性的经验描述，这是正确的吗？似乎在社会科学中，LCA已得到普及，并且由于它具有正式的卡方显着性检验而在方法论上被认为是优越的，而聚类分析则没有。 如果能够以以下形式提供示例，那就太好了：“ LCA适合于此（但不适合聚类分析），聚类分析适合于此（但不适合潜在类别分析）。 谢谢！布赖恩

30 clustering  latent-variable  latent-class 

我正在使用潜在类分析来基于一组二进制变量对观察样本进行聚类。我正在使用R和软件包poLCA。在LCA中，您必须指定要查找的群集数。实际上，人们通常运行几个模型，每个模型指定不同数量的类，然后使用各种标准来确定哪个是对数据的“最佳”解释。 我经常发现查看各种模型非常有用，以试图了解分类为（i + 1）的模型如何分布在分类为（i）的模型中的观察结果。至少，有时您会发现存在非常健壮的集群，而与模型中的类数无关。 我希望有一种方法来绘制这些关系的图表，以便更轻松地在论文中以及与非统计方向的同事交流这些复杂的结果。我想使用某种简单的网络图形包在R中很容易做到这一点，但我根本不知道如何做。 谁能给我指出正确的方向。下面是重现示例数据集的代码。每个向量xi在具有i个可能类别的模型中代表100个观测值的分类。我想画出观察（行）如何跨列在类之间移动。 x1 <- sample(1:1, 100, replace=T) x2 <- sample(1:2, 100, replace=T) x3 <- sample(1:3, 100, replace=T) x4 <- sample(1:4, 100, replace=T) x5 <- sample(1:5, 100, replace=T) results <- cbind (x1, x2, x3, x4, x5) 我想有一种方法可以生成图，其中节点是分类，并且边缘反映（按权重或颜色）（从权重或颜色可能）从一个模型转移到另一个模型的观察值的百分比。例如 更新：igraph软件包取得了一些进展。从上面的代码开始... poLCA结果循环使用相同的数字来描述类成员身份，因此您需要做一些重新编码。 N<-ncol(results) n<-0 for(i in 2:N) { results[,i]<- (results[,i])+((i-1)+n) …

9 data-visualization  mixture  latent-class