Gizil Büyüme Eğrisi Modeli (GBE)
Latent Growth Curve Model · Ayrıca şöyle bilinir: latent growth model, LGC, growth curve model, Gizil Büyüme Eğrisi Modeli
Gizil büyüme eğrisi modeli, zaman içindeki değişimi analiz etmek için Meredith ve Tisak (1990) tarafından tanıtılan bir yapısal eşitlik modellemesi yaklaşımıdır. Her bireyin başlangıç noktasını (kesme noktası) ve değişim oranını (eğim) gizil değişkenler olarak ele alır, aynı anda örneklem genelindeki ortalama eğriyi ve bireylerin kendi eğrilerindeki farklılık derecesini tahmin eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gizil büyüme eğrisi modeli, en az üç zaman noktasında aynı bireylerin tekrarlanan ölçümlerine sahip olduğunuzda ve araştırma sorunuz sonucun zamanla nasıl değiştiği ve bireylerin bu değişimdeki farklılıklarının nedenleri ile ilgili olduğunda uygundur. Temel varsayımlar şunlardır: (1) her dalgada ölçülen sürekli sonuç değişkeni; (2) çok değişkenli normal dağılım veya bu ihlal edildiğinde sağlam bir tahmin edicinin kullanılması; (3) büyümenin şekli - doğrusal, karesel veya diğer - model uydurulmadan önce teoriye dayanmalıdır; (4) tam bilgi maksimum olabilirlik (FIML) tahmini kullanıldığında bazı dalgalardaki eksik veriler kabul edilebilir; (5) varyans bileşenlerinin kararlı tahminlerini elde etmek için yaklaşık 100'lük bir minimum örneklem büyüklüğü gereklidir.
Güçlü yönler & sınırlılıklar
- Tek, tutarlı bir çerçevede hem ortalama eğriyi hem de büyümedeki bireysel değişkenliği modeller.
- Listwise silme olmadan tam bilgi maksimum olabilirlik aracılığıyla bazı dalgalardaki eksik verileri barındırır.
- Bireylerin kesme noktaları ve eğimlerindeki farklılıkları açıklamak için kovaryatlar yapısal düzeye eklenebilir.
- Daha karmaşık biçimlere doğal olarak genişler: parça parça büyüme, karesel değişim, birden çok paralel süreç veya büyüme karışımı modelleri.
- En az üç zaman noktası gerektirir; yalnızca iki dalga ile eğim sadece bir fark skoru olur ve onun için varyans tahmin edilemez.
- Büyümenin şekli uydurulmadan önce belirtilmelidir: doğrusal ve karesel modeller arasında seçim yapmak için yalnızca verileri kullanmak, şansa bağlı olmayı riske atar.
- Örneklem büyüklüğüne duyarlıdır; büyüme faktörleri için varyans ve kovaryans tahminleri yaklaşık 100 katılımcıdan az olduğunda kararsız hale gelir.
- Çok değişkenli normal dağılım varsayılır; normal olmayan sonuçlar sağlam standart hatalar veya alternatif tahmin ediciler gerektirir.
SSS
GBE, boylamsal veriler için karma etkili (çok düzeyli) modellerden nasıl farklıdır?
Her iki yaklaşım da bireysel büyüme eğrilerini modeller ve birçok parametrelendirmede matematiksel olarak eşdeğerdir. GBE modeli, gizil öngörücülerin, birden çok paralel büyüme sürecinin veya ölçüm hatası düzeltmesinin eklenmesini kolaylaştıran YEM çerçevesinde formüle edilmiştir. Karma etkili modeller genellikle zaman noktası sayısı bireyler arasında değiştiğinde veya veri yapısı oldukça dengesiz olduğunda tercih edilir, çünkü bu tür tasarımları daha esnek bir şekilde ele alırlar.
Minimum kaç zaman noktası gereklidir?
Kesme noktası varyansını ve eğim varyansını ve kovaryanslarını tahmin etmek için en az üç dalga gereklidir. Yalnızca iki dalga ile model bir fark skoruna eşdeğerdir ve eğim varyansı ölçüm hatasından ayrılamaz. Karesel veya başka bir doğrusal büyüme formu varsayıldığında dört veya daha fazla dalga şiddetle tercih edilir.
Bazı dalgalardaki eksik veriler nasıl ele alınır?
Tam bilgi maksimum olabilirlik (FIML) önerilen yaklaşımdır. Her bireyden her dalgadaki mevcut tüm verileri, atama veya listwise silme olmadan kullanır ve verilerin rastgele eksik olduğu varsayımı altında yanlı olmayan tahminler üretir. Çoğu YEM yazılımı FIML'yi standart bir seçenek olarak uygular.
Büyüme faktörlerinin öngörücülerini ekleyebilir miyim?
Evet - bu, GBE çerçevesinin temel güçlü yönlerinden biridir. Zaman-değişmez kovaryatlar (cinsiyet veya deneysel koşul gibi), modelin yapısal kısmındaki kesme noktası ve eğim gizil faktörlerine regresyonla bağlanır. Bu, bir öngörücünün bireylerin başlangıç seviyelerindeki, değişim oranlarındaki veya her ikisindeki farklılıkları neden açıkladığını test etmenize olanak tanır.
Kaynaklar
- Meredith, W. & Tisak, J. (1990). Latent Curve Analysis. Psychometrika, 55(1), 107–122. DOI: 10.1007/BF02294746 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Latent Growth Curve Model. ScholarGate. https://scholargate.app/tr/statistics/latent-growth-curve
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Karma Etkiler Modeliİstatistik↔ karşılaştır
- Tekrarlanan ölçümler ANOVAİstatistik↔ karşılaştır
- Yapısal Eşitlik Modellemesi (YEM)İstatistik↔ karşılaştır