Sự khác biệt chính giữa các phân tích Taxometric (ví dụ: phân tích MAXCOV, MAXEIG) và phân tích lớp tiềm ẩn là gì?


8

Nghiên cứu gần đây đã cố gắng xác định xem một số cấu trúc tâm lý nhất định là chiều hoặc phân loại gần đây (nghĩa là, bao gồm cả taxi hoặc các lớp). Ví dụ, các nhà nghiên cứu có thể quan tâm đến việc tìm hiểu xem có một "nhóm" người nào đó có khả năng bị đau mãn tính sau khi bị chấn thương hay không, nếu nguy cơ phát triển đau mãn tính được khái niệm tốt hơn khi có phạm vi từ rủi ro hạn chế đến rủi ro cực kỳ cao. Tôi đã nhận thấy rằng các nhà nghiên cứu cố gắng trả lời các loại câu hỏi này bằng hai loại phân tích: Phân tích đo lường (MAMBAC, MAXEIG, MAXCOV) thường được tiến hành trong phân tích R và Lớp tiềm ẩn.

Dưới đây là một số ví dụ về nghiên cứu Taxometric:

Dưới đây là một số ví dụ sử dụng phân tích Lớp tiềm ẩn:

Đây là câu hỏi của tôi:

  1. Trong tiếng Anh, sự khác biệt chính giữa hai loại phân tích này là gì? Nếu có thể, hãy giải thích nếu họ trả lời các câu hỏi khác nhau và cách chúng phân tích (về mặt toán học) khác nhau.

  2. Câu hỏi nào tốt hơn để trả lời loại câu hỏi tôi đã nêu trong phần "giới thiệu" của mình và tại sao? Có lẽ điều này thực sự không thể trả lời vào thời điểm này.

Ngoài ra xin vui lòng chia sẻ bất kỳ thông tin bạn cảm thấy có thể có liên quan đến chủ đề này. Tôi có cảm giác tôi sẽ có câu hỏi tiếp theo!

Câu trả lời:


7

Xem Tueller (2010) , Tueller và Lubke (2010) và [Ruscio et al.'l book] [3] để biết chi tiết đầy đủ về những gì được tóm tắt dưới đây. Các thủ tục đo lường thường hoạt động bằng cách tính toán các số liệu thống kê đơn giản về tập hợp con của dữ liệu được sắp xếp. MAMBAC sử dụng giá trị trung bình, MAXCOV sử dụng hiệp phương sai và MAXEIG sử dụng giá trị eigen. Phân tích lớp tiềm ẩn là trường hợp đặc biệt của mô hình hỗn hợp biến tiềm ẩn chung (LVMM). LVMM chỉ định một mô hình cho dữ liệu có thể bao gồm các lớp tiềm ẩn, các yếu tố tiềm ẩn hoặc cả hai. Các thông số của mô hình thu được bằng cách sử dụng ước tính tối đa hoặc ước tính Bayes. Tham khảo các tài liệu ở trên để biết chi tiết đầy đủ.

Điều quan trọng hơn là nền tảng toán học (nằm ngoài phạm vi của diễn đàn này) là những giả thuyết có thể được kiểm tra theo từng phương pháp. Thủ tục đo đạc kiểm tra giả thuyết

H1: Hai lớp giải thích tất cả (hoặc hầu hết) mối tương quan quan sát được giữa một tập hợp các chỉ số H0: Một (hoặc nhiều) kích thước cơ bản liên tục giải thích tất cả các mối tương quan quan sát được giữa một tập hợp các chỉ số

Thông thường CCFI được sử dụng để xác định giả thuyết nào cần bác bỏ / giữ lại. Xem [cuốn sách của John Ruscio về chủ đề] [4]. Thủ tục Taxometric có thể kiểm tra chỉ hai giả thuyết này và không có người khác.

Được sử dụng một mình, phân tích lớp tiềm ẩn không thể kiểm tra giả thuyết thay thế đo lường, H0 ở trên. Tuy nhiên, phân tích lớp tiềm ẩn có thể kiểm tra các giả thuyết thay thế sau:

H1a: Hai lớp giải thích tất cả các mối tương quan quan sát được giữa một tập hợp các chỉ số H1b: Ba lớp giải thích tất cả các mối tương quan quan sát được giữa một tập hợp các chỉ số ... Các lớp H1k: k giải thích tất cả các mối tương quan quan sát được giữa một tập hợp các chỉ số

Để kiểm tra H0 từ phía trên trong khung biến số tiềm ẩn, khớp mô hình phân tích nhân tố xác nhận nhân tố (CFA) duy nhất với dữ liệu (gọi H0cfa này khác với H0 - H0 chỉ kiểm tra giả thuyết về sự phù hợp trong khung đo thuế, nhưng không ' t tạo ra các ước tính tham số như bạn sẽ nhận được bằng cách lắp mô hình CFA). Để so sánh H0cfa với H1a, H1b, ..., H1k, hãy sử dụng Tiêu chí thông tin Bayes (BIC) ala [Nylund et al. (2007)] [5].

Để tóm tắt cho đến nay, các thủ tục đo lường có thể xem xét hai giải pháp so với một lớp, trong khi lớp tiềm ẩn + CFA có thể kiểm tra một so với hai hoặc nhiều giải pháp lớp. Chúng tôi thấy rằng các thủ tục đo lường kiểm tra một tập hợp con của các giả thuyết được kiểm tra bằng các so sánh mô hình CFA tiềm ẩn.

Tất cả các giả thuyết được trình bày cho đến nay là cực trị ở hai đầu của một phổ. Giả thuyết tổng quát hơn là một số số lớp tiềm ẩn một số kích thước tiềm ẩn (hoặc các yếu tố tiềm ẩn) giải thích tốt nhất dữ liệu. Các cách tiếp cận được mô tả ở trên bác bỏ hoàn toàn điều này, đó là một giả định rất mạnh mẽ. Đặt khác nhau, một mô hình lớp tiềm ẩn và một thủ tục đo lường dẫn đến kết luận về cấu trúc phân loại (chứ không phải chiều) giả định trong các khác biệt của lớp bên cạnh lỗi ngẫu nhiên. Trong bối cảnh của bạn, điều này tương đương với việc nói rằng trong nhóm đau mãn tính, không có sự thay đổi có hệ thống trong xu hướng phát triển đau mãn tính, chỉ có cơ hội ngẫu nhiên.

Điểm yếu của giả định này được minh họa rõ hơn với một ví dụ từ tâm lý học. Giả sử bạn có một bộ chỉ số cho bệnh trầm cảm, và các mô hình phân loại và / hoặc lớp tiềm ẩn của bạn dẫn đến bạn kết luận rằng có một lớp trầm cảm và một lớp không bị trầm cảm. Những mô hình này mặc nhiên cho rằng không có sự khác biệt về mức độ trầm cảm trong lớp (ngoài lỗi ngẫu nhiên hoặc tiếng ồn). Nói cách khác, bạn bị trầm cảm, hoặc bạn thì không, và trong số những người bị trầm cảm, mọi người đều bị trầm cảm như nhau (vượt quá sự thay đổi trong các biến quan sát dễ bị lỗi). Vì vậy, chúng tôi chỉ cần một điều trị trầm cảm ở một mức liều! Dễ dàng nhận thấy rằng giả định này là vô lý đối với trầm cảm, và thường chỉ giới hạn trong hầu hết các bối cảnh nghiên cứu khác.

Để tránh đưa ra giả định này, hãy sử dụng phương pháp mô hình hóa hỗn hợp các yếu tố theo các bài báo của [Lubke và Muthen và Lubke và Neale] [6].


(+1) Chào mừng bạn đến với trang web của chúng tôi và cảm ơn bạn đã đóng góp một câu trả lời được phát triển tốt như vậy!
whuber

ồ Tôi gần như cảm thấy như thể bạn đăng ký chỉ để trả lời câu hỏi này. Cảm ơn bạn, rất minh bạch. Có lẽ bạn có thể giải thích những cách để tránh những hạn chế bạn nêu ra? Tôi cho rằng nó có liên quan đến tính bất biến yếu (và tương tự)? Chương trình tôi sử dụng có khả năng làm cho phương sai lỗi độc lập, hiệp phương sai độc lập và các yếu tố ảnh hưởng độc lập. Tôi có cảm giác đây có lẽ là hướng đi đúng, nhưng do thuật ngữ khác nhau nên khó có thể chắc chắn.
Behacad
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.