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