最近の研究は、特定の心理的構成要素が潜在的に次元的であるか分類学的であるか（すなわち、分類群またはクラスを含むか）を決定しようとしました。たとえば、研究者は、怪我後に慢性疼痛を発症する可能性が高い特定の「クラス」の人々がいるかどうか、または慢性疼痛を発症するリスクが、限られたリスクから非常に高いリスク。私は、研究者が2種類の分析を使用してこれらのタイプの質問に答えようとすることに気づきました。
以下は、タキソメトリック調査の例です。
潜在クラス分析を使用した例をいくつか示します。
ここに私の質問があります：
英語で、これら2つのタイプの分析の主な違いは何ですか？可能であれば、彼らが異なる質問に答えるかどうか、そしてそれらが分析的に（数学的に）どのように異なるかを詳しく説明します。
私の「紹介」で強調した質問のタイプに答えるのにどちらが良いですか、そしてなぜですか？おそらく、これは現時点では本当に答えられないでしょう。
また、このトピックに関連すると思われる情報を共有してください。フォローアップ質問がある気がします！
回答:
以下に要約されている内容の詳細については、Tueller（2010）、Tueller and Lubke（2010）、および[Ruscio et al.'l book] [3]を参照してください。分類学的手順は、通常、並べ替えられたデータのサブセットに関する単純な統計を計算することによって機能します。MAMBACは平均を使用し、MAXCOVは共分散を使用し、MAXEIGは固有値を使用します。潜在クラス分析は、一般的な潜在変数混合モデル（LVMM）の特殊なケースです。LVMM は、潜在クラス、潜在因子、またはその両方を含むデータのモデルを指定します。モデルのパラメーターは、最尤またはベイズ推定を使用して取得されます。詳細については、上記の文献を参照してください。
数学的基盤（このフォーラムの範囲を超えています）が各アプローチでテストできる仮説であることは、さらに重要です。分類学的手順は仮説をテストします
H1：2つのクラスがインジケーターのセット間で観測された相関のすべて（またはほとんど）を説明します
通常、CCFIは、どの仮説を拒否/保持するかを確認するために使用されます。[このトピックに関するジョン・ルシオの本] [4]を参照してください。分類学的手順では、これら2つの仮説のみをテストでき、他の仮説はテストできません。
単独で使用すると、潜在クラス分析は分類学的対立仮説H0をテストできません。ただし、潜在クラス分析では、次の代替仮説をテストできます。
H1a：2つのクラスが一連の指標間で観測されたすべての相関を説明するH1b：3つのクラスが一連の指標間で観測されたすべての相関を説明する... H1k：kクラスが一連の指標間で観測されたすべての相関を説明する
潜在変数フレームワークでH0を上からテストするには、単一因子確認因子分析（CFA）モデルをデータに適合させます（H0とは異なるこのH0cfaを呼び出します-H0は、タクソメトリックフレームワークで適合の仮説をテストするだけですが、 t CFAモデルを当てはめることで得られるようなパラメーター推定値を生成します）。H0cfaをH1a、H1b、...、H1kと比較するには、ベイズ情報量基準（BIC）ala [Nylund et al。（2007）] [5]。
これまでのことを要約すると、潜在的なクラス+ CFAは1つまたは2つ以上のクラスソリューションをテストできますが、分類学的手順は2つ対1つのクラスソリューションを見ることができます。分類学的手順は、潜在クラス+ CFAモデルの比較によってテストされた仮説のサブセットをテストすることがわかります。
これまでに存在したすべての仮説は、スペクトルの両端で極端です。より一般的な仮説は、いくつかの潜在クラスといくつかの潜在次元（または潜在因子）がデータを最もよく説明するというものです。上記のアプローチは、このことを完全に拒否します。これは非常に強力な仮定です。別の言い方をすると、潜在的なクラスモデルと、（次元ではなく）分類学的構造の結論につながる分類学的手順は、ランダムなエラーの他に、クラス内の個人差を想定しています。あなたの文脈では、これは慢性疼痛クラスでは、ランダムな偶然のみが慢性疼痛を発症する傾向に体系的な変動はないということと同じです。
この仮定の弱点は、精神病理学の例でよりよく説明されています。たとえば、うつ病の一連の指標があり、分類学モデルや潜在クラスモデルが、うつ病クラスと非うつ病クラスがあると結論付けるとしましょう。これらのモデルは、クラス内のうつ病の重症度に（ランダムエラーまたはノイズを超えて）差異がないことを暗黙的に想定しています。言い換えれば、あなたは落ち込んでいるか、落ち込んでいないか、そして落ち込んでいる人は誰もが同じように落ち込んでいます（エラーが発生しやすい観測変数の変動を超えて）。したがって、1つの用量レベルでうつ病の治療が1つだけ必要です。この仮定がうつ病に不合理であり、他のほとんどの研究コンテキストと同じように制限されていることがよくあります。
この仮定を回避するには、[LubkeとMuthenおよびLubkeとNeale] [6]の論文に従って、因子混合モデリングアプローチを使用します。