Bayesian Analysis of Multivariate Latent Curve Models With Nonlinear Longitudinal Latent Effects.
Bayesian Analysis of Multivariate Latent Curve Models With Nonlinear Longitudinal Latent Effects.
复制标题
DOI：
10.1080/10705510902751275
复制
发表时间：
2009-04-01
期刊：
影响因子：
--
通讯作者：
Hser YI
中科院分区：
文献类型：
--
作者：
Song XY;Lee SY;Hser YI
在纵向研究中，研究人员经常在多个时间点测量多个变量，并对这些变量变化模式的个体差异感兴趣。此外，在行为、社会、心理和医学研究中，研究人员经常处理无法直接观察到的潜在变量，这些变量应该由2个或更多的显式变量来测量。当在多个时间点测量相应的显性变量时，会出现纵向潜变量。研究纵向潜变量的动态变化，探讨潜变量之间可能存在的交互作用，是本文的主要研究方向。现有的大部分纵向研究都集中在研究单个观测变量在不同时间点的变化。本文提出了一种新的潜曲线模型（LCM），用于研究多变量显变量和潜变量的动态变化及其线性和交互关系。所提出的LCM具有以下有用的功能：第一，它可以处理多变量的动态变化，探索他们的关系，而传统的LCM通常考虑在一个单变量变量的变化。其次，它容纳了一阶和二阶潜变量及其相互作用，以探索潜属性的变化如何相互作用，对结果变量的增长产生联合影响。第三，它同时适用于连续和有序的分类数据以及缺失数据。
In longitudinal studies, investigators often measure multiple variables at multiple time points and are interested in investigating individual differences in patterns of change on those variables. Furthermore, in behavioral, social, psychological, and medical research, investigators often deal with latent variables that cannot be observed directly and should be measured by 2 or more manifest variables. Longitudinal latent variables occur when the corresponding manifest variables are measured at multiple time points. Our primary interests are in studying the dynamic change of longitudinal latent variables and exploring the possible interactive effect among the latent variables. Much of the existing research in longitudinal studies focuses on studying change in a single observed variable at different time points. In this article, we propose a novel latent curve model (LCM) for studying the dynamic change of multivariate manifest and latent variables and their linear and interaction relationships. The proposed LCM has the following useful features: First, it can handle multivariate variables for exploring the dynamic change of their relationships, whereas conventional LCMs usually consider change in a univariate variable. Second, it accommodates both first- and second-order latent variables and their interactions to explore how changes in latent attributes interact to produce a joint effect on the growth of an outcome variable. Third, it accommodates both continuous and ordered categorical data, and missing data.
登录
查看更多内容
DOI：
10.1111/1467-9868.00236
发表时间：
2000-01-01
影响因子：
5.8
作者：
Dunson, DB
通讯作者：
Dunson, DB
影响因子：
3.9
作者：
Hser, YI;Stark, ME;Rawson, R
通讯作者：
Rawson, R
用于分析具有协变量、交互作用和二次潜变量的结构方程模型的贝叶斯方法
DOI：
10.1080/10705510701301511
发表时间：
2007-01-01
影响因子：
6
作者：
Lee, Sik-Yum;Song, Xin-Yuan;Tang, Nian-Sheng
通讯作者：
Tang, Nian-Sheng
DOI：
10.1207/s15328007sem1203_5
发表时间：
2005-01-01
影响因子：
6
作者：
Lee, SY;Song, XY;Hao, YT
通讯作者：
Hao, YT
影响因子：
2.7
作者：
HASTINGS, WK
通讯作者：
HASTINGS, WK