“Karma Efekt Modellemesi” ile “Gizli Büyüme Modellemesi” arasındaki farklar nelerdir?

15

Karışık efekt modellerine (MEM) oldukça aşinayım, ancak bir meslektaşım kısa bir süre önce gizli büyüme modelleri (LGM) ile nasıl karşılaştırıldığını sordu. Biraz googling yaptım ve LGM'nin, en az bir rastgele etkinin her düzeyinde tekrarlanan önlemlerin alındığı koşullara uygulanan, böylece Zamanı modelde sabit bir etki yapan yapısal denklem modellemesinin bir varyantı gibi görünüyor. Aksi takdirde, MEM ve LGM oldukça benzer görünmektedir (örneğin, her ikisi de farklı kovaryans yapılarının araştırılmasına izin verir, vb.).

LGM'nin kavramsal olarak özel bir MEM vakası olduğunu doğrulayabilir miyim, yoksa iki yaklaşım arasında varsayımları veya farklı teorileri değerlendirme kapasiteleri açısından farklılıklar var mı?

mixed-model panel-data

— Mike Lawrence
kaynak

2

Rastgele etkiler, sabit etkiler, gizli büyüme terimleri, farklı bağlamlarda farklı şeyler anlamına gelebilir. İkincisi ile ilgili olarak Andrew Gelman'ın birkaç tanımın örneklerini içeren bir blog yazısı vardı. Bu nedenle, bu modellerin tanımlarına bağlantılar sağlamanız harika olurdu. Genel olarak, varsayımınızda haklı olduğunuzu düşünüyorum. Zaman eğilimleri genellikle ayrı ayrı ele alınır, çünkü regresörlerin varyansının sınırlı olduğu varsayımı geçerli değildir, bu nedenle zaman eğilimi için bunun aslında model tahmini ve yorumlama açısından hiçbir şeyi değiştirmediğini göstermeniz gerekir.

— mpiktas

12

LGM bir MEM'e çevrilebilir ve tersi de geçerlidir, bu nedenle bu modeller aslında aynıdır. LGM ile ilgili bölümdeki karşılaştırmayı çok düzeyli kitabımda tartışıyorum, bu bölümün taslağı http://www.joophox.net/papers/chap14.pdf adresindeki ana sayfamda.

— Joop Hox
kaynak

Cevabınız için teşekkür ederiz ve sitemize hoş geldiniz! (Cevabınızdaki kapanış

— notlarını

10

İşte bu konuyu incelerken buldum. Ben bir istatistik kişi değilim, bu yüzden nispeten temel kavramları kullanarak nasıl anladım özetlemeye çalıştım :-)

Bu iki çerçeve “zamanı” farklı şekilde ele alır:

MEM, iç içe veri yapıları gerektirir (örneğin, sınıfların içinde iç içe geçmiş öğrenciler) ve zaman, en düşük düzeyde bağımsız bir değişken olarak ve ikinci düzeyde birey olarak ele alınır.
LGM, gizli değişken bir yaklaşım benimser ve faktör yükleri yoluyla zamanı dahil eder ( bu cevap , bu faktör yüklerinin veya "zaman puanlarının" nasıl çalıştığı hakkında daha fazla ayrıntı verir).

Bu fark, belirli verilerin işlenmesinde her iki çerçevenin farklı güçlerine yol açar. Örneğin, MEM çerçevesinde, daha fazla seviye eklemek kolaydır (örneğin, okullarda yuvalanmış sınıflarda yuvalanmış öğrenciler), LGM'de ölçüm hatasını modellemek ve birkaç tanesini birleştirerek daha büyük bir yol modeline gömmek mümkündür. büyüme eğrileri veya sonuç değişkenleri için tahmin faktörleri olarak büyüme faktörlerini kullanarak.

Bununla birlikte, son gelişmeler bu çerçeveler arasındaki farklılıkları bulanıklaştırmıştır ve bazı araştırmacılar tarafından “eşit olmayan ikiz” olarak adlandırılmıştır. Esasen, MEM tek değişkenli bir yaklaşımdır, zaman noktaları aynı değişkenin gözlemleri olarak kabul edilirken, LGM çok değişkenli bir yaklaşımdır, her zaman noktası ayrı bir değişken olarak ele alınır. LGM'deki gizli değişkenlerin ortalama ve kovaryans yapısı, MEM'deki sabit ve rastgele etkilere karşılık gelir ve aynı modeli aynı sonuçlarla her iki çerçeveyi kullanarak belirlemeyi mümkün kılar.

Bu nedenle LGM'yi özel bir MEM örneği olarak düşünmektense , gizli (büyüme) faktörlerinin yorumlanmasının mümkün olduğu şekilde faktör yükleri bu şekilde sabitlenmiş özel bir faktör analizi modeli örneği olarak görüyorum .

— Sootica
kaynak