Kasvusekamalli (GMM)
Muthénin ja Sheddenin vuonna 1999 esittelemä kasvusekamalli (Growth Mixture Model, GMM) on pitkittäissuuntainen latenttien muuttujien menetelmä, joka tunnistaa erillisiä alipopulaatioita – latentteja trajektoriluokkia – joista jokainen noudattaa omaa kasvukäyräänsä ajan mittaan. Se laajentaa standardia latentin kasvukäyrän (Latent Growth Curve, LGC) mallia sallimalla otoksen koostuvan tuntemattomasta sekoituksesta luokkia, joilla on erilaiset leikkauspisteet, kaltevuudet ja varianssirakenteet.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Muthén, B. O. & Shedden, K. (1999). Finite Mixture Modeling with Mixture Outcomes Using the EM Algorithm. Biometrics, 55(2), 463–469. DOI: 10.1111/j.0006-341x.1999.00463.x ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Growth Mixture Model. ScholarGate. https://scholargate.app/fi/statistics/growth-mixture-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Eksploratiivinen faktorianalyysi (EFA)Tilastotiede↔ compare
- Hierarkkinen lineaarinen mallinnus (HLM / monitasomallinnus)Tilastotiede↔ compare
- Latenttilaluokka-analyysi (LCA)Tilastotiede↔ compare
- Monitahinen imputointiTilastotiede↔ compare
- Rakenteellinen yhtälömallinnus (SEM)Tilastotiede↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →