【潛在類別模式】
<P align=center><STRONG><FONT size=5>【<FONT color=red>潛在類別模式</FONT>】</FONT></STRONG></P> <P><STRONG>LatentClassModels</STRONG></P><P><STRONG></STRONG> </P>
<P><STRONG>【辭書名稱】教育大辭書</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>潛在類別模式是潛在結構模式(latentstructuremodels)中的一種主要模式類型，其主要目的在將許多只具間斷量尺(discretescale)性質的外顯變數(manifestvariable)化約為較少數的幾個潛在類別。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>其概念上有如因素分析(factoranalysis)，但因素分析中的潛在因素為連續量尺(continousscale)的變數。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>其形式上又有如對數線性模式(loglinearmodel)，然而，對數線性模式無法處理潛在變數，也沒有從事於化約向度的工作。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>理論上，潛在類別模式假設條件獨立(conditionalindependence)，意為：外顯變數間的關係皆是某潛在變數造成的；</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>換言之，當潛在變數已知，且其數值（水準）保持恆定之情況下，外顯變數間將相互獨立。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>以一個潛在變數影響三個外顯指標的模式為例，潛在類別分析的基本模式定義為：其中，A、B及C分別表示三個外顯指標；</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>i,j,k表示每個指標中的某一個類別；</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>X表示潛在變數，分成T個類別，t指某一個潛在類別；</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>Π表示聯合比率(jointproportions)。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>經由條件獨立的假設或局部獨立公設(axiomoflocalindependence)後即得式中最右邊的式子。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>其中，表示潛在變數第t個類別中，A指標第i個類別的條件機率(conditionalprobability)；</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>餘類推。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>Πijk即是細格(i,j,k)中的聯合機率(jointprobability)。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>這個模式即是進行模式確認(identification)及估計的基本模式。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>模式確認的充分條件相當複雜，因此僅以必要條件進行確認，即估計的參數個數要小於細格的數目，公式為：IJK－1＞(I＋J＋K－2)T－1式中I,J及K表示各外顯指標的類別數目；</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>T是潛在變數的類別數目。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>至於估計方法，目前有最大概率潛在結構分析(maximumlikelihoodforlatentstructureanalysis,MLLSA)可以使用。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>評估潛在類別模式估計結果的適合度指標有對數概率比(log-likelihoodratio,L2)及皮爾森卡方統計量(X2)，定義為：式中，Pijk及Πijk分別表示(i,j,k)細格中未限制及限制下的最大概率估計量（機率）。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>雖然理論上在大樣本時，L2，優於X2，但樣本不大時，何者較優，並不清楚。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>由於這二個指標皆受樣本大小影響，故樣本大時，容易拒絕虛無假設(nullhypothesis)。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG>因此，評估模式時，仍需參考其他指標。</STRONG></P>
<P><STRONG></STRONG> </P>
<P><STRONG></STRONG> </P>轉自:http://edic.nict.gov.tw/cgi-bin/tudic/gsweb.cgi?o=ddictionary
頁:
[1]