เปรียบเทียบวิธี

	การวิเคราะห์กลุ่มแฝงที่แข็งแกร่ง (Robust Latent Class Analysis)	การสร้างแบบจำลองส่วนผสมที่ทนทาน
สาขาวิชา	สถิติศาสตร์	สถิติศาสตร์
ตระกูล	Latent structure	Latent structure
ปีกำเนิด	2000s	2000–2008
ผู้ริเริ่ม	Building on Hennig (2004) and Vermunt & Magidson (2004)	Peel & McLachlan (t-mixture); Garcia-Escudero et al. (trimming framework)
ประเภท	Robust latent variable / mixture model	Latent-class probabilistic clustering with outlier protection
แหล่งต้นตำรับ	Hennig, C. (2004). Breakdown points for maximum likelihood estimators of location-scale mixtures. Annals of Statistics, 32(4), 1313–1340.	Garcia-Escudero, L. A., Gordaliza, A., Matran, C. & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. Annals of Statistics, 36(3), 1324–1345.
ชื่อเรียกอื่น	robust LCA, outlier-resistant latent class analysis, trimmed-likelihood latent class analysis	robust mixture model, robust GMM, outlier-robust mixture model, trimmed mixture model
ที่เกี่ยวข้อง	6	5
สรุป	Robust latent class analysis (robust LCA) extends the standard latent class model by incorporating outlier-resistant estimation techniques — such as trimmed likelihood, M-estimation, or downweighting — so that atypical response patterns do not distort the recovered class structure or class membership probabilities.	Robust mixture modeling fits finite mixture models — probabilistic clustering methods that assume data arise from a blend of underlying subpopulations — using component distributions or estimation strategies designed to be insensitive to outliers and heavy-tailed noise. The two dominant approaches replace Gaussian components with heavier-tailed distributions such as the multivariate t, or trim a fixed proportion of the most extreme observations before fitting.