تجزیه و تحلیل کلاس پنهان پویا

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تجزیه و تحلیل کلاس پنهان پویا

عنوان لاتین

Dynamic Latent Class Analysis

این مقاله چارچوب کلی مدل سازی کلاس پنهان طولی تحت زمان فشرده را که در Mplus اجرا می شود توصیف می نماید. برای هر فرد یک متغیر کلاس پنهان در هر نقطه زمانی برآورد می شود و کلاس پنهان در طول زمان و طی فرایند مارکوف ( یعنی مدل مارکوف پنهان یا مخفی) با احتمالات انتقال موضوع خاصی که به عنوان اثرات رندوم تخمین زنده می شوند، تغییر می کند. چنین مدلی برای داده موضوع واحد به مدل فضای حالت سوئیچینگ رژیم بر می گردد. متغیر کلاس پنهان تحت شاخصهای طبقه بندی شده و دائمی ، تحت شرایط مستقل محلی و یا عمومی تر تحت یک مدل معادله ساختاری کلاس خاص یا یک مدل معادله ساختاری پویا قابل برآورد است. برآورد بیزین را برپایه زنجیره مارکوف مونتو کارلو بحث می کنیم که امکان مدل سازی با سری داده های طولی اختیاری و بسیاری از اثرات رندوم را فراهم می نماید. چارچوب مدل سازی تحت مطالعات شبیه سازی متعددی مشخص شده است.

This article describes the general time-intensive longitudinal latent class modeling framework implemented in Mplus. For each individual a latent class variable is measured at each time point and the latent class changes across time follow a Markov process (i.e., a hidden or latent Markov model), with subject-specific transition probabilities that are estimated as random effects. Such a model for single-subject data has been referred to as the regimeswitching state-space model. The latent class variable can be measured by continuous or categorical indicators, under the local independence condition, or more generally by a classspecific structural equation model or a dynamic structural equation model. We discuss the Bayesian estimation based on Markov chain Monto Carlo, which allows modeling with arbitrary long time series data and many random effects. The modeling framework is illustrated with several simulation studies.