回归混合模型：方法进展与软件实现

doi:10.3724/SP.J.1042.2018.02272

摘要/Abstract

摘要：

近来以个体为分析对象的方法日益受到研究者的重视, 其中潜类别和潜剖面模型最为流行。研究者在潜类别和潜剖面模型建模时往往需要进一步探讨协变量与潜分组之间的关系(即带有协变量的潜类别模型)。例如, 哪些变量预测个体类别归属, 以及个体的类别归属对结果变量的预测。本文对近年来研究者提出的各种方法进行了回顾和比较。包括当结果变量是分类变量的LTB法; 当结果变量是连续变量时的BCH和稳健三步法。在此基础上, 文章为应用研究者提供了Mplus软件示例, 并在最后对当前研究存在的问题和未来研究趋势进行了简要评价。

关键词: 个体中心方法, 混合模型, 潜类别分析, 潜变量建模, Mplus

Abstract:

The person-centered methods, including latent class analysis (LCA) and latent profile analysis (LPA), are increasingly popular in recent years. Researchers often add covariate variables (i.e., predictor and distal variables) into LCA and LPA models. This kind of models are also called regression mixture models. In this paper, we introduce several new methods. Those methods include (1) the LTB method proposed by Lanza, Tan and Bray (2013) to model categorical outcome variables; and (2) the BCH method proposed by Bolck, Croon and Hagenaars (2004) to deal with continuous distal variables. Using an empirical example, we demonstrate the process of analyses in Mplus. The future directions of those new methods were also discussed.

Key words: person-centered method, mixture modeling, latent class analysis, latent variable modeling, Mplus

中图分类号:

B841

王孟成, 毕向阳. (2018). 回归混合模型：方法进展与软件实现. 心理科学进展 , 26(12), 2272-2280.

WANG Meng-Cheng, BI Xiangyang. (2018). Regression mixture modeling: Advances in method and its implementation. Advances in Psychological Science, 26(12), 2272-2280.

图/表 15

参考文献 16

1	邱皓政 . ( 2008). 潜在类别模型的原理与技术. 北京: 教育科学出版社.
2	张洁婷, 焦璨, 张敏强 . ( 2010). 潜在类别分析技术在心理学研究中的应用. 心理科学进展, 18( 12), 1991-1998.
3	Asparouhov, T., &MuthÉn, B. ( 2014). Auxiliary variables in mixture modeling: Three-step approaches using M plus. Structural Equation Modeling, 21( 3), 329-341. doi: 10.1080/10705511.2014.915181 URL
4	Asparouhov, T., &MuthÉn, B(2015 ).Auxiliary Variables in Mixture Modeling: Using the BCH Method in Mplus to Estimate a Distal Outcome Model and an Arbitrary Secondary Model.Mplus Web Notes: No.21. Retrieved from
5	Bakk Z., Oberski D. L., &Vermunt J. K . ( 2016). Relating latent class membership to continuous distal outcomes: Improving the LTB approach and a modified three-step implementation. Structural Equation Modeling, 23( 2), 278-289. doi: 10.1080/10705511.2015.1049698 URL
6	Bakk Z., Tekle F. B., &Vermunt J. K . ( 2013). Estimating the association between latent class membership and external variables using bias-adjusted three-step approaches. Sociological methodology.43( 1), 272-311.
7	Bakk, Z., &Vermunt, J.K. ( 2016). Robustness of stepwise latent class modeling with continuous distal outcomes. Structural Equation Modeling, 23( 1), 20-31. doi: 10.1080/10705511.2014.955104 URL
8	Bauer, D.J., &Curran, P.J . ( 2003). Distributional assumptions of growth mixture models: Implications for overextraction of latent trajectory classes. Psychological Methods, 8( 3), 338-363. doi: 10.1037/1082-989X.8.3.338 URL pmid: 14596495
9	Bolck A., Croon M., &Hagenaars J . ( 2004). Estimating latent structure models with categorical variables: One-step versus three-step estimators. Political Analysis, 12( 1), 3-27. doi: 10.1093/pan/mph001 URL
10	Clark, S.L., &MuthÉn, B . ( 2009). Relating latent class analysis results to variables not included in the analysis. Retrieved from
11	Collins, L.M., &Lanza, S.T . ( 2010). Latent class and latent transition analysis: With applications in the social, behavioral, and health sciences . New York: Wiley.
12	Lanza S. T., Tan X., & Bray B. C . ( 2013). Latent class analysis with distal outcomes: A flexible model-based approach. Structural Equation Modeling, 20( 1), 1-26. doi: 10.1080/10705511.2013.742377 URL pmid: 4240499
13	Morin A. J. S., Morizot J., Boudrias J-S., &Madore I . ( 2011). A multifoci person-centered perspective on workplace affective commitment: A latent profile/factor mixture analysis. Organizational Research Methods,14( 1), 58-90. doi: 10.1177/1094428109356476 URL
14	Sterba, S.K. ( 2013). Understanding linkages among mixture models. Multivariate Behavioral Research, 48( 6), 775-815. doi: 10.1080/00273171.2013.827564 URL pmid: 26745595
15	Vermunt, J.K. ( 2010). Latent class modeling with covariates: Two improved three-step approaches. Political Analysis, 18, 450-469. doi: 10.1093/pan/mpq025 URL
16	Wang C-P., Brown C. H., &Bandeen-Roche K . ( 2005). Residual diagnostics for growth mixture models: Examining the impact of a preventive intervention on multiple trajectories of aggressive behavior. Journal of the American Statistical Association, 100( 471), 1054-1076. doi: 10.1198/016214505000000501 URL

适用情况		方法	Mplus语句: Auxiliary=()	评价
结果变量	分类变量	单步法	无单独语句	直接将类别结果变量作为LCA的测量指标; 这种做法显然会影响测量模型; 纳入不同的结果变量会造成测量模型结果的差异, 因此不推荐使用。
	分类变量	LTB	DCAT	是处理类别结果变量最好的方法之一, 推荐使用。
	连续变量	单步法	无单独语句	非正态时表现不佳。
		BCH	BCH	是处理连续结果变量最好的方法之一, 在 DU3STEP不报告结果时使用。
		稳健三步法：类别方差不等	DU3STEP	在结果变量类别内正态分布, 方差不等时表现佳。但会出现类别顺序变化的不足。
		稳健三步法：类别方差相等	DE3STEP	在结果变量类别内正态分布, 方差相等时表现佳。
		LTB	DCON	对假设前提比较敏感, 当假设违反时会扭曲估计结果, 不推荐使用
		PC method	E	精确性较差, 不推荐实际使用
预测变量		PC method	R	结果有偏, 不推荐使用。
		单步法	无单独语句	表现良好, 当变量较多时使用不便。
		稳健三步法	R3STEP	表现良好, 操作方便, 推荐使用。

适用情况		方法	Mplus语句: Auxiliary=()	评价
结果变量	分类变量	单步法	无单独语句	直接将类别结果变量作为LCA的测量指标; 这种做法显然会影响测量模型; 纳入不同的结果变量会造成测量模型结果的差异, 因此不推荐使用。
	分类变量	LTB	DCAT	是处理类别结果变量最好的方法之一, 推荐使用。
	连续变量	单步法	无单独语句	非正态时表现不佳。
		BCH	BCH	是处理连续结果变量最好的方法之一, 在 DU3STEP不报告结果时使用。
		稳健三步法：类别方差不等	DU3STEP	在结果变量类别内正态分布, 方差不等时表现佳。但会出现类别顺序变化的不足。
		稳健三步法：类别方差相等	DE3STEP	在结果变量类别内正态分布, 方差相等时表现佳。
		LTB	DCON	对假设前提比较敏感, 当假设违反时会扭曲估计结果, 不推荐使用
		PC method	E	精确性较差, 不推荐实际使用
预测变量		PC method	R	结果有偏, 不推荐使用。
		单步法	无单独语句	表现良好, 当变量较多时使用不便。
		稳健三步法	R3STEP	表现良好, 操作方便, 推荐使用。

[1]	刘玥, 刘红云. 心理与教育测验中异常作答处理的新技术: 混合模型方法[J]. 心理科学进展, 2021, 29(9): 1696-1710.
[2]	陈冠宇, 陈平. 解释性项目反应理论模型：理论与应用[J]. 心理科学进展, 2019, 27(5): 937-950.
[3]	王孟成, 邓俏文, 毕向阳. 潜变量建模的贝叶斯方法[J]. 心理科学进展, 2017, 25(10): 1682-1695.
[4]	陈宇帅;温忠麟;顾红磊. 因子混合模型：潜在类别分析与因子分析的整合[J]. 心理科学进展, 2015, 23(3): 529-538.
[5]	冯成志;贾凤芹 . 双眼竞争研究现状与展望[J]. 心理科学进展, 2008, 16(2): 213-221.
[6]	彭正敏,林绚晖,张继明,车宏生. 情绪智力的能力模型[J]. 心理科学进展, 2004, 12(6): 817-817~823.