"मिश्रित प्रभाव मॉडलिंग" और "अव्यक्त विकास मॉडलिंग" के बीच अंतर क्या हैं?


15

मैं मिश्रित प्रभाव वाले मॉडल (एमईएम) से परिचित हूं, लेकिन एक सहयोगी ने हाल ही में मुझसे पूछा कि यह कैसे अव्यक्त विकास मॉडल (एलजीएम) की तुलना करता है। मैंने थोड़ा सा गुगली किया, और ऐसा लगता है कि एलजीएम संरचनात्मक समीकरण मॉडलिंग का एक प्रकार है जो उन परिस्थितियों पर लागू होता है जहां दोहराया उपाय कम से कम एक यादृच्छिक प्रभाव के प्रत्येक स्तर के भीतर प्राप्त किए जाते हैं, इस प्रकार मॉडल में समय को एक निश्चित प्रभाव बनाते हैं। अन्यथा, MEM और LGM बहुत समान लगते हैं (उदाहरण के लिए, वे दोनों अलग-अलग सहसंयोजक संरचनाओं की खोज की अनुमति देते हैं)।

क्या मैं सही हूं कि एलजीएम वैचारिक रूप से एमईएम का एक विशेष मामला है, या विभिन्न प्रकार के सिद्धांतों का मूल्यांकन करने के लिए उनकी धारणा या क्षमता के संबंध में दो दृष्टिकोणों के बीच अंतर हैं?


2
रैंडम प्रभाव, निश्चित प्रभाव, अव्यक्त वृद्धि का मतलब अलग-अलग संदर्भों में अलग-अलग चीजें हो सकती हैं। दूसरे एक एंड्रयू जेलमैन के संबंध में कई परिभाषाओं के उदाहरणों के साथ एक ब्लॉग पोस्ट था। तो यह बहुत अच्छा होगा यदि आप इन मॉडलों की परिभाषाओं के लिंक प्रदान करते हैं। सामान्य तौर पर मुझे लगता है कि आप अपनी धारणा में सही हैं। समय के रुझानों का आमतौर पर अलग से इलाज किया जाता है, क्योंकि सामान्य धारणा है कि रजिस्टरों का विचरण होता है, धारण नहीं करता है, इसलिए आपको यह दिखाना होगा कि समय की प्रवृत्ति के लिए यह वास्तव में मॉडल आकलन और व्याख्या के मामले में कुछ भी नहीं बदलता है।
एमपिकटस

जवाबों:


12

LGM का अनुवाद MEM और इसके विपरीत किया जा सकता है, इसलिए ये मॉडल वास्तव में एक जैसे हैं। मैं अपनी बहुस्तरीय पुस्तक में LGM के अध्याय में तुलना की चर्चा करता हूं, उस अध्याय का मसौदा मेरे होमपेज http://www.joophox.net/papers/chap14.pdf पर है


आपके उत्तर के लिए धन्यवाद और हमारी साइट पर आपका स्वागत है! (कारण मैं आपके जवाब में समापन टिप्पणियों को हटा दिया लिए, कृपया हमारी जाएँ पूछे जाने वाले प्रश्न ।)
whuber

10

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।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.