ScholarGate
Assistent
Latent structure

Growth Mixture Model (GMM)

Het Growth Mixture Model (GMM), geïntroduceerd door Muthén en Shedden in 1999, is een longitudinale methode voor latente variabelen die onderscheidende subpopulaties — latente trajectklassen — identificeert, die elk hun eigen groeicurve over tijd volgen. Het breidt het standaard Latent Growth Curve (LGC) model uit door toe te staan dat de steekproef is samengesteld uit een onbekende mix van klassen met verschillende intercepten, hellingen en variantiestructuren.

Toepassen met StatMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Method map

The neighbourhood of related methods — select a node to explore.

Bronnen

  1. 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

Deze pagina citeren

ScholarGate. (2026, June 1). Growth Mixture Model. ScholarGate. https://scholargate.app/nl/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.

Compare side by side
ScholarGateGMM (Growth Mixture Model). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/statistics/growth-mixture-model · Gegevensset: https://doi.org/10.5281/zenodo.20539026