Анализ латентных классов в психологии: методическое руководство и обзор практик

Введение в анализ латентных классов

Концепция латентных (ненаблюдаемых) подгрупп представляет собой мощный инструмент в современном многомерном анализе. Она помогает идентифицировать и понимать разнообразные группы внутри larger популяции. Это понимание обогащает наши знания о популяции, раскрывая её внутреннее разнообразие, а также обеспечивает более точное описание взаимосвязей между наблюдаемыми переменными в данных.

Что такое латентный класс анализ (LCA)

Когда мы не уверены в однородности данных, мы можем рассмотреть потенциальную гетерогенность с помощью многомерного метода, называемого анализом латентных классов (LCA - Latent Class Analysis), который относит ненаблюдаемые группы индивидов к латентным классам. LCA позволяет получить более глубокое понимание, оспаривая предположение о том, что взаимосвязи между наблюдаемыми переменными одинаковы для всех индивидов в популяции, и вместо этого признавая, что эти взаимосвязи могут варьироваться across подгруппами.

Ключевые характеристики LCA

• LCA является статистическим методом из семейства моделей смешивания латентных переменных
• Предполагает, что категориальная латентная переменная отвечает за гетерогенность популяции
• Опирается на предположение о локальной независимости
• Каждый латентный класс соответствует подгруппе со своим набором параметров

Многоэтапный процесс LCA

Несмотря на то, что LCA считается "простейшим типом смешанной модели", это сложный и многоэтапный статистический анализ, впервые представленный в 1950 году и с тех пор претерпевший многочисленные revisions и усовершенствования.

Предварительные методические решения

Перед проведением LCA исследователям необходимо принять несколько методических решений, включая определение размера выборки, selection индикаторов, выбор программного обеспечения и методов оценки.

Процесс перечисления классов

Основная цель LCA - идентифицировать минимальное количество латентных классов, которые могут объяснить взаимосвязи между набором наблюдаемых переменных. Решение относительно количества классов involves сочетание статистических и содержательных соображений.

Ближайший анализ лучших решений

После идентификации лучших LCA-решений исследователям необходимо оценить их качество, включая точность классификации и интерпретируемость.

Выбор финальной модели

Когда исследователи находят качественное LCA-решение, они могут считать его финальным и должны thoroughly описать его, включая вероятности ответов на индикаторы для каждого класса.

Применение LCA в психологии

В последние десятилетия наблюдается значительный рост использования LCA в различных научных дисциплинах, особенно в поведенческих и образовательных науках. Этот рост обусловлен как increased доступностью программного обеспечения, так и advancements в высокоскоростных вычислениях.

Текущее исследование

Целью данного систематического обзора было документирование использования LCA в психологии, отображение как prevalence, так и качества LCA-исследований. Мы проанализировали characteristics публикаций и то, как авторы проводили каждый из этапов LCA.

Методология обзора

Обзор проводился согласно принципам PRISMA (Предпочтительные элементы отчетности для систематических обзоров и мета-анализов) и включал comprehensive поиск across multiple баз данных, включая PsycInfo, Scopus, Psychology Database, Web of Science и JSTOR.

Критерии включения и исключения

Мы исключили статьи на languages, отличных от английского, и исследования, которые упоминали LCA в аннотации, но проводили другой анализ. Также были исключены неэмпирические исследования и records без полного текста.

Результаты исследования

Анализ 251 записи, опубликованной между 2013 и 2023 годами, показал increasing trend в использовании LCA в психологии. Публикации были distributed across 162 различных научных журналов.

Методические решения в LCA

Обзор показал значительные различия в sample sizes используемых исследований, при этом почти треть исследований использовала размер выборки меньше рекомендуемого cutoff в 500 случаев.

Процесс перечисления классов

Исследователи в среднем report и полагаются всего на три индекса соответствия, при этом absolute индексы соответствия менее учитываются в research practice.

Оценка лучших решений

Только 45.4% исследований ссылались на concept интерпретируемости при выборе лучшего решения, а class size учитывался лишь в 13.1% исследований.

Лучшие практики и рекомендации

На основе сравнения рекомендаций tutorials и actual практик исследований мы предлагаем comprehensive руководство по проведению LCA в психологии, включая конкретные предложения по каждому этапу анализа.

Будущие исследования

Предлагаем avenues для дальнейших исследований, включая систематический обзор использования LPA в психологии и более глубокое изучение включения covariates в LCA-модели.

Заключение

Текущее исследование демонстрирует, что публикации LCA в психологии всё ещё lack строгости. Необходимы improvements в reduction методических ошибок, improvement количества и качества предоставляемой информации и increase согласованности исследований.