잠재 클래스 분석 및 성장 혼합 모델에서 클래스 수 결정: 몬테카를로 시뮬레이션 연구

초록 혼합 모델링은 인구의 관찰되지 않은 이질성을 식별하는 데 사용되는 널리 적용되는 데이터 분석 기술입니다. 혼합 모델의 유용성에도 불구하고, 연구 모집단에서 클래스 수를 결정하는 데 일반적으로 받아들여지는 통계 지표가 없는 것이 혼합 모델 적용의 해결되지 않은 문제입니다. 이 기사는 혼합 모델링에서 클래스 수를 결정하기 위해 사용되는 우도 기반 테스트와 전통적으로 사용되는 정보 기준(IC)의 성능을 조사하는 시뮬레이션 연구 결과를 제시합니다. 우리는 3가지 유형의 혼합 모델에 대한 이러한 테스트와 지수의 성능을 살펴봅니다: 잠재 클래스 분석(LCA), 요인 혼합 모델(FMA), 그리고 성장 혼합 모델(GMM). 우리는 세 가지 서로 다른 샘플 크기(n = 200, 500, 1,000)에서 클래스 수를 정확하게 식별하는 테스트와 지수의 능력을 평가합니다. 베이지안 정보 기준이 IC 중 가장 우수한 성능을 보였지만, 부트스트랩 우도 비율 테스트는 고려된 모든 모델에서 클래스의 매우 일관된 지표임을 입증했습니다. 감사의 말씀 Karen L. Nylund의 연구는 국립 약물 남용 연구소(NIDA)의 R01 DA11796 보조금의 지원을 받았고, Bengt O. Muthén의 연구는 알코올 남용 및 알코올 중독 연구소(NIAAA)의 K02 AA 00230 보조금의 지원을 받았습니다. 소프트웨어 지원을 위해 Mplus에 감사드리며, 프로그래밍 전문 지식을 제공한 Jacob Cheadle과 유익한 의견을 제공한 Katherine Masyn에게 감사합니다. 주석 1 일반적으로 클래스 내 공분산 구조는 클래스 내 항목 공분산을 허용하도록 해제될 수 있습니다. 카테고리 LCA 모델의 항목 확률은 각 셀의 확률로 지정되며, 연속 LCA의 클래스 평균은 괄호 안의 값으로 지정됩니다. 2 카테고리 결과가 있는 LCA 모델에 대한 무작위 시작 수는 Mplus에서 "starts = 70 7;"로 지정되었습니다. 연속 결과를 가진 모델들은 다른 수의 무작위 시작을 가졌습니다. 3 커버리지를 연구할 때는 Mplus의 무작위 시작 옵션을 사용해서는 안 된다는 점을 유의해야 합니다. 사용 시, 한 복제에 대한 클래스가 다른 복제에 대한 다른 클래스로 표시될 수 있어 추정치를 왜곡할 수 있습니다. 4 수렴 문제를 보인 모델은 잘못 지정된 모델이었습니다. 예를 들어, n = 500에 대한 GMM(실제 k = 3 클래스 모델)의 경우 세 클래스, 네 클래스 및 다섯 클래스 모델의 수렴률은 각각 100%, 87%, 68%였습니다.