Statistical Power to Detect the Correct Number of Classes in Latent Profile Analysis.
Statistical Power to Detect the Correct Number of Classes in Latent Profile Analysis.
复制标题
DOI：
10.1080/10705511.2013.824781
复制
发表时间：
2013-10-01
期刊：
影响因子：
--
通讯作者：
Cham H
中科院分区：
文献类型：
--
作者：
Tein JY;Coxe S;Cham H
很少有研究考察影响统计能力的因素，以使用潜在轮廓分析(LPA)来检测正确的潜在类别数量。这项模拟研究考察了在给定真实类别数、样本大小和指标数量的情况下，与潜在类别之间的类别间距离相关的功率。对7种模型选择方法进行了评价。没有人有足够的能力选择具有小(Cohen‘s d=.2)或中等(d=.5)分离度的正确班级数量。在分离度很大的情况下(d=1.5)，Lo-Mendell-Rubin检验(LMR)、调整的LMR、Bootstrap似然比检验、BIC和样本量调整的BIC在选择正确的类数方面表现良好。然而，由于有很大的分离程度(d=0.8)，能力取决于指标数量和样本大小。无论分离程度、指标数量或样本量大小，AIC和EFESS都没有选择正确的类别数量。
Little research has examined factors influencing statistical power to detect the correct number of latent classes using latent profile analysis (LPA). This simulation study examined power related to inter-class distance between latent classes given true number of classes, sample size, and number of indicators. Seven model selection methods were evaluated. None had adequate power to select the correct number of classes with a small (Cohen’s d = .2) or medium (d = .5) degree of separation. With a very large degree of separation (d = 1.5), the Lo-Mendell-Rubin test (LMR), adjusted LMR, bootstrap likelihood-ratio test, BIC, and sample-size adjusted BIC were good at selecting the correct number of classes. However, with a large degree of separation (d = .8), power depended on number of indicators and sample size. The AIC and entropy poorly selected the correct number of classes, regardless of degree of separation, number of indicators, or sample size.
登录
查看更多内容
影响因子：
2.3
作者：
Meehl, PE;Yonce, LJ
通讯作者：
Yonce, LJ
影响因子：
2.3
作者：
Cleland, CM;Rothschild, L;Haslam, N
通讯作者：
Haslam, N
影响因子：
3
作者：
AKAIKE, H
通讯作者：
AKAIKE, H
影响因子：
4.4
作者：
GOODMAN, LA
通讯作者：
GOODMAN, LA
影响因子：
3
作者：
GIBSON, WA
通讯作者：
GIBSON, WA