इस विषय पर विचार करते समय मैंने यहां पाया। मैं एक आँकड़े व्यक्ति नहीं हूँ इसलिए मैंने संक्षेप में बताने की कोशिश की कि मैंने इसे अपेक्षाकृत बुनियादी अवधारणाओं का उपयोग करके कैसे समझा है :-)
ये दो रूपरेखाएं "समय" को अलग-अलग तरीके से व्यवहार करती हैं:
- एमईएम को नेस्टेड डेटा संरचनाओं की आवश्यकता होती है (जैसे छात्रों को कक्षाओं के भीतर नेस्टेड) और समय को न्यूनतम स्तर पर एक स्वतंत्र चर के रूप में माना जाता है, और दूसरे स्तर पर व्यक्ति को
- एलजीएम एक अव्यक्त चर दृष्टिकोण को अपनाता है और कारक लोडिंग के माध्यम से समय को शामिल करता है ( यह उत्तर इस तरह के कारक लोडिंग, या "समय स्कोर", काम पर अधिक विस्तृत करता है)।
यह अंतर कुछ डेटा को संभालने में दोनों रूपरेखाओं की अलग-अलग ताकत की ओर जाता है। उदाहरण के लिए, MEM फ्रेमवर्क में, अधिक स्तरों को जोड़ना आसान है (जैसे छात्रों को स्कूलों में नेस्टेड क्लासों में नेस्टेड), LGM में रहते हुए, माप त्रुटि को मॉडल करना संभव है, साथ ही इसे कई तरीकों के संयोजन से एक बड़े पथ मॉडल में एम्बेड करना संभव है। वृद्धि चर, या परिणाम चर के लिए भविष्यवाणियों के रूप में विकास कारकों का उपयोग करके।
हालांकि, हाल के घटनाक्रमों ने इन रूपरेखाओं के बीच मतभेदों को धुंधला कर दिया है, और उन्हें कुछ शोधकर्ताओं ने "असमान जुड़वां" के रूप में करार दिया। मूलतः, MEM एक अविभाज्य दृष्टिकोण है, समय बिंदुओं के साथ एक ही चर के अवलोकनों के रूप में व्यवहार किया जाता है, जबकि LGM एक बहुभिन्नरूपी दृष्टिकोण है, प्रत्येक समय बिंदु के साथ एक अलग चर के रूप में व्यवहार किया जाता है। LGM में अव्यक्त चरों की माध्य और सहसंयोजक संरचना, MEM में निश्चित और यादृच्छिक प्रभावों के अनुरूप होती है, जिससे समान परिणाम वाले ढांचे के उपयोग से समान मॉडल को निर्दिष्ट करना संभव हो जाता है।
इसलिए एलजीएम को एमईएम के एक विशेष मामले के रूप में विचार करने के बजाय, मैं इसे कारक विश्लेषण मॉडल के एक विशेष मामले के रूप में देखता हूं जिसमें कारक लोडिंग इस तरह से तय की गई है, कि अव्यक्त (वृद्धि) कारकों की व्याख्या संभव है।