Які відмінності між "Моделюванням змішаних ефектів" та "Моделюванням латентного зростання"?

15

Я гідно знайомий із моделями зі змішаними ефектами (MEM), але нещодавно колега запитав мене, як вона порівнюється з моделями прихованого зростання (LGM). Я трохи погуглився, і, здається, LGM - це варіант моделювання структурних рівнянь, який застосовується до обставин, коли повторювані заходи отримуються в межах кожного рівня принаймні одного випадкового ефекту, завдяки чому Час фіксується ефектом у моделі. В іншому випадку MEM і LGM здаються досить схожими (наприклад, вони дозволяють досліджувати різні структури коваріації тощо).

Чи я правда, що LGM концептуально є окремим випадком MEM, чи є відмінності між двома підходами щодо їхніх припущень чи можливостей оцінювати різні типи теорій?

mixed-model panel-data

— Майк Лоуренс
джерело

2

Терміни випадкових ефектів, фіксованих ефектів, прихованого зростання можуть означати різні речі в різних контекстах. Щодо другого Ендрю Гелман мав допис у блозі із прикладами кількох визначень. Тож було б чудово, якби ви надали посилання на визначення цих моделей. Взагалі, я думаю, ви праві в своїх припущеннях. Часові тенденції зазвичай трактуються окремо, оскільки звичайне припущення, що дисперсія регресорів обмежена, не дотримується, тому ви повинні показати, що за часовою тенденцією це насправді нічого не змінює з точки зору оцінки моделі та її інтерпретації.

— mpiktas

12

LGM можна перекласти в MEM і навпаки, тому ці моделі насправді однакові. Я обговорюю порівняння в розділі про LGM в моїй багаторівневій книзі, проект цієї глави знаходиться на моїй домашній сторінці за адресою http://www.joophox.net/papers/chap14.pdf

— Джоп Хокс
джерело

Дякуємо за Вашу відповідь та ласкаво просимо на наш сайт! (З причин, чому я усунув заключні зауваження у вашій відповіді, будь ласка, відвідайте наш FAQ .)

— whuber

10

Ось що я знайшов, переглядаючи цю тему. Я не є статистикою, тому я спробував підсумувати, як я це зрозумів, використовуючи відносно основні поняття :-)

Ці дві рамки трактують "час" по-різному:

MEM вимагає вкладених структур даних (наприклад, студентів, які вкладені в аудиторії), а час розглядається як незалежна змінна на найнижчому рівні, а особа на другому рівні
LGM застосовує латентний змінний підхід і включає час за допомогою факторних навантажень ( ця відповідь детальніше пояснює, як працюють такі факторні навантаження, або "часові показники").

Ця різниця призводить до різної міцності обох каркасів в обробці певних даних. Наприклад, в рамках MEM легко додати більше рівнів (наприклад, учні, вкладені в класи, вкладені в школах), тоді як в LGM можна моделювати похибку вимірювання, а також вбудовувати її в більшу модель шляху шляхом комбінування декількох криві зростання, або використовуючи фактори зростання в якості прогнозів змінних результатів.

Однак останні події розмили відмінності між цими рамками, і деякі дослідники їх називали "нерівним близнюком". По суті, MEM є універсальним підходом, часові моменти трактуються як спостереження однієї змінної, тоді як LGM - багатоваріантний підхід, кожен момент часу розглядається як окрема змінна. Середня і коваріаційна структура латентних змінних у LGM відповідають фіксованим та випадковим ефектам у MEM, що дозволяє задавати ту саму модель, використовуючи будь-яку структуру з однаковими результатами.

Отже, замість того, щоб розглядати LGM як особливий випадок MEM, я розглядаю це як особливий випадок моделі факторного аналізу з факторними навантаженнями, зафіксованими таким чином, що інтерпретація прихованих факторів (зростання) можлива.

— Sootica
джерело