อะไรคือความแตกต่างระหว่าง“ การสร้างแบบผสมเอฟเฟ็กต์” และ“ การสร้างแบบจำลองการเติบโตแบบแฝง”?


15

ฉันคุ้นเคยกับโมเดลมิกซ์เอฟเฟกต์ (MEM) แต่เพื่อนร่วมงานคนหนึ่งเพิ่งถามฉันว่ามันเปรียบเทียบกับโมเดลการเติบโตที่ซ่อนเร้น (LGM) อย่างไร ฉันทำ googling นิดหน่อยและดูเหมือนว่า LGM เป็นตัวแปรของการสร้างแบบจำลองสมการโครงสร้างที่ใช้กับสถานการณ์ที่ได้รับมาตรการซ้ำ ๆ ในแต่ละระดับอย่างน้อยหนึ่งเอฟเฟกต์แบบสุ่มดังนั้นเวลาจึงเป็นผลคงที่ในแบบจำลอง มิฉะนั้น MEM และ LGM ดูเหมือนจะค่อนข้างคล้ายกัน (เช่นพวกเขาทั้งคู่อนุญาตให้สำรวจโครงสร้างความแปรปรวนร่วมที่แตกต่างกัน ฯลฯ )

ฉันถูกต้องหรือไม่ว่า LGM เป็นกรณีพิเศษของ MEM หรือมีความแตกต่างระหว่างสองแนวทางที่เกี่ยวกับสมมติฐานหรือความสามารถในการประเมินทฤษฎีประเภทต่าง ๆ หรือไม่?


2
ข้อกำหนดสุ่มเอฟเฟกต์การตายตัวการเติบโตแฝงอาจหมายถึงสิ่งต่าง ๆ ในบริบทต่าง เกี่ยวกับอันที่สอง Andrew Gelman มีโพสต์บล็อกพร้อมตัวอย่างของคำจำกัดความหลายประการ ดังนั้นจะเป็นการดีถ้าคุณให้ลิงก์ไปยังคำจำกัดความของโมเดลเหล่านี้ โดยทั่วไปฉันคิดว่าคุณคิดถูก แนวโน้มของเวลามักจะแยกกันเนื่องจากข้อสันนิษฐานทั่วไปที่ความแปรปรวนของ regressors ไม่มีขอบเขตดังนั้นคุณต้องแสดงให้เห็นว่าสำหรับแนวโน้มเวลาสิ่งนี้ไม่ได้เปลี่ยนแปลงอะไรในแง่ของการประมาณค่าและการตีความแบบจำลอง
mpiktas

คำตอบ:


12

LGM สามารถแปลเป็น MEM และกลับกันดังนั้นโมเดลเหล่านี้จึงเหมือนกัน ฉันพูดคุยเกี่ยวกับการเปรียบเทียบในบทเกี่ยวกับ LGM ในหนังสือหลายระดับร่างของบทนั้นอยู่ในหน้าแรกของฉันที่http://www.joophox.net/papers/chap14.pdf


ขอบคุณสำหรับการตอบกลับและยินดีต้อนรับสู่เว็บไซต์ของเรา! (ด้วยเหตุผลที่ฉันลบข้อสังเกตการปิดในการตอบของคุณโปรดไปที่คำถามที่พบบ่อยของเรา)
whuber

10

นี่คือสิ่งที่ฉันพบเมื่อดูในหัวข้อนี้ ฉันไม่ใช่คนสถิติดังนั้นฉันจึงพยายามสรุปว่าฉันเข้าใจได้อย่างไรโดยใช้แนวคิดพื้นฐาน :-)

เฟรมเวิร์กทั้งสองปฏิบัติต่อ "เวลา" ต่างกัน:

  • MEM ต้องการโครงสร้างข้อมูลที่ซ้อนกัน (เช่นนักเรียนที่ซ้อนกันภายในห้องเรียน) และเวลาจะถือเป็นตัวแปรอิสระที่ระดับต่ำสุดและบุคคลในระดับที่สอง
  • LGM ใช้วิธีการตัวแปรแฝงและรวมเวลาผ่านปัจจัยการโหลด ( คำตอบนี้จะอธิบายเพิ่มเติมเกี่ยวกับวิธีการโหลดปัจจัยเช่นหรือ "คะแนนเวลา" การทำงาน)

ความแตกต่างนี้นำไปสู่จุดแข็งที่แตกต่างกันของทั้งสองเฟรมเวิร์กในการจัดการข้อมูลบางอย่าง ตัวอย่างเช่นในกรอบ MEM มันเป็นเรื่องง่ายที่จะเพิ่มระดับมากขึ้น (เช่นนักเรียนซ้อนในห้องเรียนซ้อนกันในโรงเรียน) ในขณะที่ใน LGM มันเป็นไปได้ที่จะเกิดข้อผิดพลาดในการวัดแบบจำลองเช่นเดียวกับฝังในรูปแบบเส้นทางขนาดใหญ่ เส้นโค้งการเติบโตหรือโดยใช้ปัจจัยการเจริญเติบโตเป็นตัวทำนายตัวแปรผลลัพธ์

อย่างไรก็ตามการพัฒนาล่าสุดมีความแตกต่างเบลอระหว่างกรอบเหล่านี้และพวกเขาถูก termed โดยนักวิจัยบางคนเป็น "แฝดไม่เท่ากัน" โดยพื้นฐานแล้ว MEM เป็นวิธีการที่ไม่แปรผันโดยมีการให้คะแนนเวลาเป็นเสมือนการสังเกตตัวแปรเดียวกันในขณะที่ LGM เป็นวิธีการหลายตัวแปรโดยแต่ละครั้งจะถือว่าเป็นตัวแปรแยกกัน โครงสร้างค่าเฉลี่ยและความแปรปรวนร่วมของตัวแปรแฝงใน LGM สอดคล้องกับเอฟเฟกต์แบบคงที่และแบบสุ่มใน MEM ทำให้สามารถระบุรูปแบบเดียวกันโดยใช้เฟรมเวิร์กที่มีผลลัพธ์เหมือนกัน

ดังนั้นแทนที่จะพิจารณา LGM เป็นกรณีพิเศษของ MEM ฉันเห็นว่าเป็นกรณีพิเศษของแบบจำลองการวิเคราะห์ปัจจัยที่มีการกำหนดปัจจัยการโหลดในลักษณะดังกล่าวเพื่อให้การตีความปัจจัยแฝง (การเติบโต) เป็นไปได้

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.