Gizli Sınıf Analizi (LCA)
Latent Class Analysis · Ayrıca şöyle bilinir: LCA, latent class model, latent categorical analysis, finite mixture of multinomials
Gizli sınıf analizi (LCA), bir popülasyon içindeki gözlemlenmemiş alt grupları — gizli sınıfları — belirleyerek, bir dizi kategorik gözlemlenen gösterge üzerindeki yanıt kalıplarını bularak tanımlar. Küme analizinin kategorik değişkenli karşılığıdır ancak açık bir olasılıksal modele dayanır ve anket veya tanı verilerindeki tipolojileri keşfetmek için sosyal, sağlık ve davranış bilimlerinde yaygın olarak kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+9 tane daha
Ne zaman kullanılır
Kategorik gözlemlenen göstergeler (ikili evet/hayır veya politomik nominal/sıralı maddeler) olduğunda ve popülasyonun madde ilişkilerini açıklayan niteliksel olarak farklı alt gruplar içerdiğini varsaydığınızda LCA kullanın. Değişkenlerin kategorik olduğu sağlık davranışı, psikopatoloji, eğitimsel değerlendirme veya pazarlama segmentasyonu alanlarında tipolojiler geliştirmek için idealdir. Göstergeleriniz sürekliyse LCA kullanmayın — bunun yerine gizli profil analizi (LPA) kullanın. Örneklem küçükse (yaklaşık 200'den az vaka) LCA'dan kaçının çünkü EM algoritması çok sayıda sınıfla güvenilmez hale gelir ve yanıt kalıplarının sayısı gösterge sayısına göre seyrekse kaçının. LCA ayrıca yerel bağımsızlık varsayımını gerektirir; maddeler sınıfların yakaladığının ötesinde özel varyans paylaşıyorsa, model aşırı sınıf çıkaracaktır.
Güçlü yönler & sınırlılıklar
- Sezgisel mesafe tabanlı kümelemeden farklı olarak, açık uyum kriterlerine sahip olasılıksal model tabanlı sınıflandırma.
- Aralık düzeyinde ölçüm gerektirmeksizin ikili ve politomik kategorik göstergeleri doğal olarak ele alır.
- Her birey için sınıflandırma belirsizliğini ölçen yumuşak atamalar (sonsal olasılıklar) sağlar.
- Bilgi kriterleri (BIC, AIC) ve anlamlılık testleri, sınıf sayısına ilişkin ilkeli rehberlik sağlar.
- Sınıflar, farklı madde-yanıt profillerine sahip gizli tipolojiler olarak özsel olarak yorumlanabilir.
- Gizli sınıf regresyonu, gizli geçiş analizi ve çok düzeyli LCA'ya doğal olarak genişler.
- Yerel bağımsızlık varsayımı güçlüdür ve genellikle ihlal edilir; bir sınıftaki maddeler, ölçülmemiş madde-özel faktörler nedeniyle hala birlikte değişebilir.
- EM algoritması, küresel maksimumlar yerine yerel maksimumlara yakınsayabilir, bu da çok sayıda rastgele başlangıç değeri gerektirir.
- Doğru sınıf sayısını belirlemek zordur; farklı uyum indeksleri anlaşmazlığa düşebilir ve tek bir altın standart yoktur.
- Çok sayıda gösterge ve çok sayıda yanıt kategorisi, tahminleri kararsız hale getiren seyrek yanıt kalıpları oluşturur.
- Modal sınıf ataması belirsizliği göz ardı eder ve aşağı akış analizlerinde abartılı sınıflandırma doğruluğuna yol açabilir.
SSS
LCA ile küme analizi arasındaki fark nedir?
Her ikisi de alt grupları belirlemeyi amaçlar, ancak küme analizi olasılıksal bir modele dayanmayan algoritmik bir prosedürdür, bu da uyumu değerlendirmeyi veya belirsizliği ölçmeyi zorlaştırır. LCA, açık bir olasılıksal üretici model belirleyen, resmi uyum istatistikleri ve model karşılaştırma testleri sağlayan ve kesin atamalar yerine sonsal üyelik olasılıkları üreten model tabanlı bir yaklaşımdır. LCA, yorumlanabilirlik, uyum değerlendirmesi ve belirsizlik ölçümünün önemli olduğu durumlarda tercih edilir.
LCA ile gizli profil analizi arasındaki fark nedir?
LCA, kategorik göstergeler (ikili veya politomik) için tasarlanmıştır. Gizli profil analizi (LPA), aynı gizli karışım mantığını kullanır ancak sürekli göstergeleri sınıf içi normal dağılımlarla modeller. LCA'yı sürekli verilere veya LPA'yı ikili verilere uygulamak model yanlış belirtimidir; her zaman modeli göstergelerinizin ölçüm düzeyine uydurun.
Sınıf sayısını nasıl seçerim?
K = 1, 2, 3, … sınıflı modelleri uyarlayın ve bunları BIC (parsimoniyi tercih etme eğilimindedir), AIC (daha liberal), Bootstrap Olabilirlik Oranı Testi (BLRT) ve entropiyi kullanarak karşılaştırın. Tek bir kriter kesin değildir; tercih edilen çözüm, istatistiksel uyumu sınıf profillerinin özsel yorumlanabilirliği ile dengeler. Çok küçük veya özsel olarak gereksiz sınıflar, aşırı çıkarımın işaretleridir.
Sıralı göstergelerle LCA kullanabilir miyim?
Evet, varsayılan olarak LCA, bir politomik maddenin her yanıt kategorisini ayrı ayrı (nominal) ele alır. Sıralı göstergeler için, madde-yanıt olasılıklarına sınıflar boyunca monotonluk kısıtlamaları getirebilirsiniz, bu da parametreleri azaltır ve kararlılığı artırabilir. Alternatif olarak, poliklorik korelasyonlar faktör karışım modelleriyle birleştirilerek sıralı veriler için başka bir yaklaşım sunulur.
LCA için ne kadar büyük bir örneğe ihtiyacım var?
Tek bir eşik yoktur, ancak küçük örneklemler (n < 200) EM algoritmasını yakınsama sorunlarına yatkın hale getirir ve kararsız sınıf çözümleri üretir. Gerekli örneklem büyüklüğü, sınıf ve gösterge sayısıyla artar. Simülasyon çalışmaları, üç veya daha fazla sınıflı modeller için pratik bir minimum olarak n ≥ 300 önerir ve sınıf prevalansları eşit olmadığında veya göstergeler zayıf ayırt edici olduğunda daha büyük örneklere ihtiyaç duyulur.
Kaynaklar
- Goodman, L. A. (1974). Exploratory latent structure analysis using both identifiable and unidentifiable models. Biometrika, 61(2), 215–231. DOI: 10.1093/biomet/61.2.215 ↗
- Lazarsfeld, P. F. & Henry, N. W. (1968). Latent Structure Analysis. Houghton Mifflin. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Latent Class Analysis. ScholarGate. https://scholargate.app/tr/statistics/latent-class-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Küme Analiziİstatistik↔ karşılaştır
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Diskriminant Analiziİstatistik↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Latent Profile Analysis (LPA) (Gizil Profiller Analizi)Psikometri↔ karşılaştır
- Karışım Modellemesiİstatistik↔ karşılaştır