潜在クラス解析モデル選択

Question

潜在クラス解析を行うとき、情報基準（すなわち、AIC、BIC、aBIC）が同じモデルを選択しないことがある。これは、男性と性行為を持つ774人の男性の中で私が実施している物質使用パターンの研究の場合に当てはまります。図1は、潜在クラスの各数に対してプロットされたフィット基準を示しています。 BICとCAICは3つのクラスモデルを選択します（図2参照）。しかし、aBICは5クラスのモデルを選択します（図2参照）。

このような状況でモデルソリューションを選択するにはどうすればよいですか？結果を最適化するために変数を選択したり、変数を折りたたむ方法はありますか？

Answer 1

LCAのためのクラスの数を選択するのは容易になることはありませんが、私は従う親指のいくつかのルールがあります：Nylund, Asparouhov & Muthén (2007)に基づいて

1. あなたはBICとブートストラップ尤度比検定（BLRT）をフォローしたいです。それでも、BLRTはより多くのクラスのモデルを選ぶように指示します.BICはより保守的で、より少ないクラスを提案します。しかしこれは、統計的なテストを使って得ることができるのと同じくらいです。
2. ご使用のモデルの基礎となる理論を参考にしてください。あなたの理論知識との潜在的な相違を見て、理論からどれだけのクラスが期待されるべきかを推論しようとする。ゴールデンルールはありませんが、LCAは良い方法ですが、理論がなければ意味がありません。あなたが少しの理論を持っているならば、あなたの発見を二重チェックするために何ができるかは、あなたの潜在変数をあなたが何らかの理論を持っているかもしれない遠方の結果（共変量）に関連させ、たとえば、潜在クラスの1つが1つの性別によって支配されると考えられます。潜在変数を性別と関連付けて表示します。
3. 類似規則：複雑なものよりも単純なモデルが好ましい（Collins & Lanza、2010）。より単純なモデルがすべての作業を行う場合、なぜ複雑なモデルを選択するのですか？

あなたの場合、私はBICとparsimonyによって提案されているので、3クラスモデルから始めます。分析を終えて結果を解釈した後、私は4/5クラスでモデルを再実行し、報告する価値のあるもの、私が発見した3クラスモデル。複雑さを増すだけで、私がすでに知っていることを矛盾させたり改善したりしなければ、私は3クラスのモデルに固執します。

結果を見ると、5クラスモデルは3クラスを超えて何も提供していないと思います。 3クラスのモデルでは、大麻使用者（16％）、大麻、ポッパー、幻覚剤、コカイン（40％）の中等度の薬物使用者、そして最終的にはアルコールと大麻が支配する軽い種類のクラス％）。 5つのクラスのモデルは、最初の2つのグループを特定の小さなサブグループに分割しますが、これらの分割が研究にとって重要であるかどうかは、研究の質問に意味があるかどうかを判断する必要があります。

また、二変量の残差を確認することをおすすめします。より多くのクラスを示唆しているモデルのミスフィットが、インジケータ間の関連性によって生成される可能性があります。理論的に正当化できれば（例えば、潜在クラス以外のインジケータ間の類似点を見つけることによって）、残りの関連付けを追加して、3つのクラスモデルで同様に適切な適合を得ることができます。

最後に、LCAのためのAICの使用を避けてください。これは非常に性能の低いインデックスです！代わりにcAIC、BIC、aBICを使用してください。 AICはサンプルサイズを修正しませんが、これは大きなサンプルではかなり問題になります。

ソース：

コリンズ、L. M.、&ランザ、S. T.（2010）。潜在的なクラスと潜在的な遷移分析：社会的、行動的、健康科学的なアプリケーション。ニューヨーク：ウィリー。