Q
潜类分析模型选择
0
A
回答
0
这是不容易的,选择的类LCA的数量,但也有一些经验法则,我遵循:基于Nylund, Asparouhov & Muthén (2007)
- 要遵循BIC和自举似然比检验(BLRT) 。即使那样,他们也很少同意--BLRT会告诉你选择一个更多班级的模型,BIC将会更保守,并且会提出更少的班级。但是,通过使用统计测试,这与您所能得到的一样接近。
- 依靠您模型的可用理论。寻找与你的理论知识潜在的差异,并试图从理论中推断出预计有多少类别。没有黄金法则,LCA是一个好方法,但没有理论就没有意义。如果你没有什么理论,你可以做什么来仔细检查你的发现是将你的潜在变量与远端结果(协变量)联系起来,你可能会有一些理论,看看它是否有效。例如,您怀疑您的某个潜在类将被一种性别所控制:将您的潜在变量与性别关联并查看。简约法则:简单模型比复杂模型更受欢迎(Collins & Lanza,2010)。如果一个简单的模型完成所有的工作,为什么选择一个复杂的模型?
就你而言,我将从3类模型开始,因为它是由BIC和简约建议的。完成分析和解释结果后,我会重新运行4/5班的模型,看看是否会达到实质上不同的结果 - 值得报道的东西,任何重要或矛盾的发现,我发现与3班模特。如果它只是增加了复杂性,但并不矛盾或改善我已经知道的,我会坚持3类模型。
看看结果,我认为5类模型没有提供超出3个类的任何东西。在三类模型中,你有一类广泛吸毒者(16%),以大麻,罂粟,致幻剂和可卡因为主的中度吸毒者(40%),最后是一类以酒精和大麻为主的轻度使用者(44 %)。 5级模型将前两组分为特定的较小子组,但您必须决定这些分组是否对您的研究很重要 - 无论这些分组对您的研究问题是否有意义。
我还建议检查双变量残差。建议更多类别的模型错配可能是由您的指标之间的残余关联产生的。如果你可以在理论上证明它的正确性(例如,通过发现潜在类别之外的指标之间的某种相似性),则可以添加残差关联并获得与3类别模型类似的良好拟合。
最后一点,完全避免使用AIC进行LCA - 这是一个性能很差的索引!改用cAIC,BIC和aBIC。 AIC不会校正样本量,对于较大的样本来说这可能会有问题。
源头:
柯林斯,L.M。,&兰扎,S.T。(2010)。潜类和潜在转变分析:适用于社会,行为和健康科学。纽约:威利。
相关问题
- 1. VS2010的代码分析选择类型/命名空间
- 2. 潜在泄漏? - 分析仪
- 3. 类型选择
- 4. 选择SelectListItem模型
- 5. MYSQL - 选择和分析
- 6. 选择分类法,
- 7. 词性分析(POS)标签文本分类的特征选择
- 8. R型聚类分析
- 9. 关于nat类型分析
- 10. 潜在语义分析在Python差异
- 11. 对象,Biuld和分析潜在leask,viewForHeaderInSection
- 12. Keras分类模型
- 13. 使用潜在语义分析进行聚类
- 14. Yii2选择关联模型
- 15. 选择使用NG-模型
- 16. 选择会对模型
- 17. Django - 选择与模型(FKs)
- 18. 角NG-模型NG-选择
- 19. Django - 模型的选择
- 20. ExtJS网格选择模型
- 21. KnockoutJS在模型上选择
- 22. EXTJS GridPanel选择模型
- 23. 直选型与交换选型分类
- 24. 在Django中选择哪种类型的模型继承
- 25. Rails多态/单表继承模型,选择类型的形式
- 26. REST - 内容类型选择
- 27. Select2类型来选择
- 28. 选择数据库类型
- 29. Qt数据类型选择
- 30. CSS - 类型选择标签?