多阶段混合增长模型的影响因素:距离与形态

通过模拟研究,考察潜类别距离和发展形态等因素对多阶段混合增长模型的模型选择和参数估计的影响:(1)潜类别距离越大,模型选择和分类效果越好。(2)混合模型的选择,应以一定样本量(至少200)为前提,首先考虑BIC选出正确的分类模型,再通过熵值、ARI等选择分类确定性较高的模型。(3)多阶段的发展形态对正确模型的选择和分类的确定性均有一定程度影响。(4)潜类别距离和样本量越大,参数估计精度越高。(5)在判断分类准确性的指标中,ARI的选择更偏向于真实的模型。

多阶段混合增长模型的方法及研究现状

多阶段混合增长模型(PGMM)可对发展过程中的阶段性及群体异质性特征进行分析,在能力发展、行为发展及干预、临床心理等研究领域应用广泛。PGMM可在结构方程模型和随机系数模型框架下定义,通常使用基于EM算法的极大似然估计和基于马尔科夫链蒙特卡洛模拟的贝叶斯推断两种方法进行参数估计。样本量、测量时间点数、潜在类别距离等因素对模型及参数估计有显著影响。未来应加强PGMM与其它增长模型的比较研究;在相同或不同的模型框架下研究数据特征、类别属性等对参数估计方法的影响。

非连续性与异质性——多阶段混合增长模型在语言发展研究中的应用

多阶段混合增长模型(Piecewise Growth Mixture Modeling,PGMM)是近几年新兴的同时关注群体的发展阶段非连续性和潜在异质性的统计模型。它将多阶段增长模型和潜类别增长模型进行整合,可以描述同时存在发展转折点和不同发展类别的描述群体增长趋势的数据。文章以早期儿童的追踪研究(幼儿园版)为例,运用PGMM模型探索其增长趋势,得出:(1)两阶段混合增长模型能最有效地描述学生阅读能力的发展,转折点在一年级,随着年龄的增加,发展速度变慢;(2)发展趋势分为三类,大部分个体起点低、发展快,小部分个体起点高、发展慢,到三年级以后两个类别差距越来越小,另一部分整体发展都比较缓慢;(3)教师对学生行为的评价比父母的评价更能有效预测学生阅读成绩的类别和趋势。