Jakie są różnice między „Modelowaniem efektów mieszanych” a „Modelowaniem utajonego wzrostu”?

15

Dobrze znam modele z efektami mieszanymi (MEM), ale kolega ostatnio zapytał mnie, jak to się ma do modeli utajonego wzrostu (LGM). Zrobiłem trochę googlingu i wydaje się, że LGM to wariant modelowania równań strukturalnych, który jest stosowany w okolicznościach, w których powtarzane miary są uzyskiwane na każdym poziomie co najmniej jednego losowego efektu, dzięki czemu czas jest stałym efektem w modelu. W przeciwnym razie MEM i LGM wydają się dość podobne (np. Oba pozwalają na eksplorację różnych struktur kowariancji itp.).

Czy mam rację, że LGM jest koncepcyjnie szczególnym przypadkiem MEM, czy też istnieją różnice między tymi dwoma podejściami w odniesieniu do ich założeń lub zdolności do oceny różnych rodzajów teorii?

mixed-model panel-data

— Mike Lawrence
źródło

2

Terminy efekty losowe, efekty stałe, ukryty wzrost mogą oznaczać różne rzeczy w różnych kontekstach. W odniesieniu do drugiego Andrew Gelman zamieścił post na blogu z przykładami kilku definicji. Byłoby wspaniale, gdybyś podał linki do definicji tych modeli. Ogólnie myślę, że masz rację w założeniu. Tendencje czasowe są zwykle traktowane osobno, ponieważ zwykłe założenie, że wariancja regresorów jest ograniczona, nie ma zastosowania, więc musisz pokazać, że dla trendu czasowego tak naprawdę nic to nie zmienia pod względem estymacji i interpretacji modelu.

— mpiktas

12

LGM można przetłumaczyć na MEM i odwrotnie, więc te modele są w rzeczywistości takie same. Porównanie omawiam w rozdziale dotyczącym LGM w mojej wielopoziomowej książce, szkic tego rozdziału znajduje się na mojej stronie głównej pod adresem http://www.joophox.net/papers/chap14.pdf

— Joop Hox
źródło

Dziękujemy za odpowiedź i witamy na naszej stronie! (Z powodów, dla których usunąłem uwagi końcowe w twojej odpowiedzi, odwiedź nasze FAQ .)

— whuber

10

Oto, co znalazłem, patrząc na ten temat. Nie jestem statystyką, więc próbowałem podsumować, w jaki sposób to zrozumiałem, używając stosunkowo podstawowych pojęć :-)

Te dwie struktury traktują „czas” inaczej:

MEM wymaga zagnieżdżonych struktur danych (np. Uczniów zagnieżdżonych w klasach), a czas jest traktowany jako niezależna zmienna na najniższym poziomie, a jednostka na drugim poziomie
LGM przyjmuje podejście zmiennej utajonej i uwzględnia czas poprzez ładunki czynnikowe ( ta odpowiedź wyjaśnia więcej o tym, jak działają takie ładunki czynnikowe lub „wyniki czasowe”).

Ta różnica prowadzi do różnych sił obu struktur w przetwarzaniu niektórych danych. Na przykład w ramach MEM łatwo jest dodać więcej poziomów (np. Uczniów zagnieżdżonych w klasach zagnieżdżonych w szkołach), podczas gdy w LGM można modelować błąd pomiaru, a także osadzić go w większym modelu ścieżki, łącząc kilka krzywe wzrostu lub za pomocą czynników wzrostu jako predyktorów zmiennych wyniku.

Jednak ostatnie zmiany zatarły różnice między tymi ramami i niektórzy badacze określili je mianem „nierównego bliźniaka”. Zasadniczo MEM jest podejściem jednowymiarowym, z punktami czasowymi traktowanymi jako obserwacje tej samej zmiennej, podczas gdy LGM podejściem wielowymiarowym, z każdym punktem czasowym traktowanym jako osobna zmienna. Średnia i struktura kowariancji zmiennych utajonych w LGM odpowiadają ustalonym i losowym efektom w MEM, umożliwiając określenie tego samego modelu przy użyciu dowolnej struktury z identycznymi wynikami.

Zamiast więc rozważać LGM jako szczególny przypadek MEM, widzę go jako szczególny przypadek modelu analizy czynnikowej z ładunkami czynnikowymi ustalonymi w taki sposób, że możliwa jest interpretacja czynników ukrytych (wzrostowych).

— Sootica
źródło