El modelado de crecimiento latente es una técnica estadística utilizada en el marco de modelado de ecuaciones estructurales (SEM) para estimar las trayectorias de crecimiento. Es una técnica de análisis longitudinal para estimar el crecimiento durante un período de tiempo. Es ampliamente utilizado en el campo de la psicología, las ciencias del comportamiento, la educación y las ciencias sociales. También se denomina análisis de la curva de crecimiento latente. El modelo de crecimiento latente se derivó de las teorías de SEM. El software SEM de propósito general, como OpenMx , lavaan (ambos paquetes de código abierto basados en R ), AMOS , Mplus , LISREL o EQS, entre otros, se pueden utilizar para estimar las trayectorias de crecimiento.
Fondo
Los modelos de crecimiento latente [1] [2] [3] [4] representan medidas repetidas de variables dependientes en función del tiempo y otras medidas. Estos datos longitudinales comparten las características de que los mismos sujetos se observan repetidamente a lo largo del tiempo y en las mismas pruebas (o versiones paralelas) y en momentos conocidos. En el modelado de crecimiento latente, la posición relativa de un individuo en cada momento se modela en función de un proceso de crecimiento subyacente, con los mejores valores de parámetros para ese proceso de crecimiento que se ajustan a cada individuo.
Estos modelos se han utilizado cada vez más en la investigación social y del comportamiento desde que se demostró que pueden ajustarse como un modelo de factor común restringido en el marco de modelado de ecuaciones estructurales. [4]
La metodología se puede utilizar para investigar el cambio sistemático o el crecimiento y la variabilidad interindividual en este cambio. Un tema de especial interés es la correlación de los parámetros de crecimiento, el llamado estado inicial y la tasa de crecimiento, así como su relación con covariables variables en el tiempo e invariantes en el tiempo. (Ver McArdle y Nesselroade (2003) [5] para una revisión completa)
Aunque muchas aplicaciones de los modelos de curvas de crecimiento latente estiman solo los componentes de pendiente y nivel inicial, estos modelos tienen propiedades inusuales, como una varianza que aumenta indefinidamente. [ cita requerida ] Los modelos con componentes de orden superior, por ejemplo, cuadráticos, cúbicos, no predicen una varianza cada vez mayor, pero requieren más de dos ocasiones de medición. También es posible ajustar modelos basados en curvas de crecimiento con formas funcionales, a menudo versiones del crecimiento logístico generalizado como las funciones logísticas , exponenciales o de Gompertz . Aunque son sencillos de encajar con software versátil como OpenMx , estos modelos más complejos no pueden ajustarse con paquetes SEM en los que los coeficientes de ruta están restringidos a constantes simples o parámetros libres, y no pueden ser funciones de parámetros y datos libres.
También se pueden responder preguntas similares utilizando un enfoque de modelo multinivel .
Referencias
- ^ Tucker, LR (1958) Determinación de parámetros de una relación funcional por análisis factorial. Psychometrika 23 , 19-23.
- ^ Rao, CR (1958) Algunos métodos estadísticos para la comparación de curvas de crecimiento. Biometría . 14 , 1-17.
- ^ Scher, AM, Young, AC & Meredith, WM (1960) Análisis factorial del electrocardiograma. Circulation Research 8 , 519-526.
- ^ a b Meredith, W. y Tisak, J. (1990). Análisis de curvas latentes. Psychometrika , 55 , 107-122.
- ^ McArdle, JJ y Nesselroade, JR (2003). Análisis de la curva de crecimiento en la investigación psicológica contemporánea. En J. Schinka & W. Velicer (Eds.), Manual comprensivo de psicología: Métodos de investigación en psicología (Vol. 2, p. 447–480). Nueva York: Wiley.
- McArdle, 1989
- Willet y Sayer, 1994
- Curran, Stice y Chassin 1997
- Muthén y Curran 1997
- Su y Testa 2005
- Bollen, KA y Curran, PJ (2006). Modelos de curvas latentes: una perspectiva de ecuación estructural. Hoboken, Nueva Jersey: Wiley-Interscience.
- Singer, JD y Willett, JB (2003). Análisis de datos longitudinales aplicados: modelado de cambios y ocurrencia de eventos. Nueva York: Oxford University Press.
- Fitzmaurice, GM, Laird, NM y Ware, JW (2004). Análisis longitudinal aplicado. Hoboken, Nueva Jersey: Wiley.