Poder estadístico para detectar el número correcto de clases en el análisis de perfiles latentes

Poca investigación ha examinado los factores que influyen en el poder estadístico para detectar el número correcto de clases latentes utilizando el análisis de perfiles latentes (LPA). Este estudio de simulación examinó el poder relacionado con la distancia entre clases latentes dada el número verdadero de clases, el tamaño de la muestra y el número de indicadores. Se evaluaron siete métodos de selección de modelos. Ninguno tuvo un poder adecuado para seleccionar el número correcto de clases con un pequeño (d de Cohen = .2) o medio (d = .5) grado de separación. Con un grado de separación muy grande (d = 1.5), la prueba de Lo-Mendell-Rubin (LMR), el LMR ajustado, la prueba de razón de verosimilitud bootstrap, BIC y BIC ajustado por tamaño de muestra fueron buenos para seleccionar el número correcto de clases. Sin embargo, con un gran grado de separación (d = .8), el poder dependió del número de indicadores y del tamaño de la muestra. El AIC y la entropía seleccionaron mal el número correcto de clases, independientemente del grado de separación, el número de indicadores o el tamaño de la muestra.