论文部分内容阅读
潜在类别分析在国内外得到广泛的应用,并且不少研究者将潜在分类结果应用于后续的统计分析中,这不但有利于解释群体的异质性,且考虑了变量之间过于复杂的交互作用,降低统计检验的一类错误,提高统计模型的精确性。但在实际使用中还存在方法性问题:将基于最大后验概率的归类看作外显变量进入后续的回归分析,这一普遍的做法忽视了分类的测量误差,常导致潜类别变量与其他变量关系的低估。近年来,许多研究者也针对传统分类分析法的低估现象提出多种改进思路。其中,该纳入式方法(Inclusive LCA)操作简单直观,且准确性在模拟研究中得以证实。然而,前人的模拟研究仅涉及一元回归模型下的后续分析,对于更为复杂的多元回归是否仅需要纳入结果变量,还是需要根据变量之间的关系加入其它信息?这还有待进一步探讨。本研究基于前人研究的研究成果,将该议题拓展到潜在剖面模型中,这更为贴近心理学量表研究常用的数据类型。通过数据模拟实验,分析纳入式分类分析法在潜在剖面模型以及更为复杂的后续分析中的应用表现,旨在提高分类分析法,以发挥潜在类别分析在心理学研究中使用的有效性。根据协变量X对潜在类别变量C的影响以及是否存在交互作用可分为四种模型,在这四种模型条件下的模拟结果初步发现:第一,与前人研究一致,纳入结果变量的方法能提高结果变量对潜在类别变量的回归参数估计。第二,当且仅当协变量对潜在类别变量有影响时,分类分析法在第一步的LPA模型建立时有必要纳入X作为协变量。第三,当协变量与潜在类别对结果变量的影响存在交互作用效应时,纳入该交互作用项能提高参数估计精度,尤其是对交互作用的参数估计。第四,当模型中存在交互作用时,若回归分析模型中忽略该交互项,尽管纳入所有变量与交互作用项,也无法纠正回归模型的明显偏差。相反,当模型不存在交互作用,而在回归分析模型中考虑交互作用项则不会产生很大的偏差。