เปรียบเทียบวิธี

	การสร้างแบบจำลองส่วนผสมที่ทนทาน	การวิเคราะห์โปรไฟล์แฝงที่ทนทาน
สาขาวิชา	สถิติศาสตร์	สถิติศาสตร์
ตระกูล	Latent structure	Latent structure
ปีกำเนิด	2000–2008	2010s
ผู้ริเริ่ม	Peel & McLachlan (t-mixture); Garcia-Escudero et al. (trimming framework)	Building on Vermunt & Magidson (2002); robust extensions developed through contaminated normal mixture literature (Punzo & McNicholas, 2010s)
ประเภท	Latent-class probabilistic clustering with outlier protection	Person-centered mixture model with robust estimation
แหล่งต้นตำรับ	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.	Vermunt, J. K. & Magidson, J. (2002). Latent class cluster analysis. In J. A. Hagenaars & A. L. McCutcheon (Eds.), Applied Latent Class Analysis (pp. 89–106). Cambridge University Press. ISBN: 978-0521594035
ชื่อเรียกอื่น	robust mixture model, robust GMM, outlier-robust mixture model, trimmed mixture model	RLPA, robust LPA, robust mixture model for continuous indicators, outlier-robust latent profile analysis
ที่เกี่ยวข้อง	5	5
สรุป	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.	Robust latent profile analysis identifies latent subgroups of individuals based on their continuous multivariate indicators while protecting parameter estimates from distortion by outliers or atypical observations. It extends standard latent profile analysis by replacing the Gaussian component densities with heavier-tailed or contaminated-normal alternatives that down-weight extreme cases during estimation.