Publikacje naukowe · Modele podłużne

Latentne modele zmiany (LCS) krok po kroku w lavaan

Latentny model zmiany traktuje zmianę między pomiarami jako zmienną latentną, którą można przewidywać poprzednim poziomem i poziomem innej zmiennej. Pokazujemy model podwójnej zmiany i dwuwymiarowy model ze sprzężeniem w lavaan, porównanie z krzywą wzrostu i sprawdzenie odzysku parametrów symulacją.

Strona główna / Blog / Latentne modele zmiany (LCS)
W skrócie: Latentny model zmiany (LCS) wyodrębnia zmianę między kolejnymi pomiarami jako zmienną latentną wolną od błędu pomiaru i przewiduje ją stałą składową osoby i poprzednim poziomem (model podwójnej zmiany). W przykładzie β = −0.30: im wyższe słownictwo, tym mniejszy kolejny przyrost, a średnia dąży do 39.92 punktu. Model dwuwymiarowy dodaje sprzężenie – zależność zmiany jednej zmiennej od poziomu drugiej – które wymaga dużej próby. Wybór między LCS a krzywą wzrostu opieraj na teorii, bo oba modele mogą pasować równie dobrze.

Zmiana jako zmienna latentna

Masz kilka pomiarów tych samych osób i pytasz nie tylko o to, jak szybko rośnie wynik, ale też od czego zależy tempo zmiany. Czy dzieci z bogatszym słownictwem przyrastają wolniej, bo zbliżają się do pułapu? Czy wysoki poziom jednej umiejętności przyspiesza zmianę drugiej? Krzywa wzrostu opisuje kształt trajektorii funkcją czasu. Latentny model zmiany (ang. latent change score model, LCS) zaczyna od drugiej strony: od samej zmiany między kolejnymi pomiarami.

Prosty wynik różnicowy xt − xt−1 zawiera błąd pomiaru z obu pomiarów. W LCS każdy pomiar ma zmienną latentną – wynik prawdziwy ηt – a zmiana Δηt = ηt − ηt−1 jest osobną zmienną latentną, wolną od tego błędu. McArdle (2009) pokazuje, że w ten sposób modele SEM dla danych podłużnych mogą bezpośrednio pytać o różnice i zmiany, a nie tylko o poziomy. Skoro zmiana jest zmienną, można ją przewidywać: poprzednim poziomem, stałą cechą osoby albo poziomem innej zmiennej.

Wpis zakłada, że znasz krzywe wzrostu (LGM) w lavaan i podstawy składni lavaan. O planowaniu liczby pomiarów i odstępów piszemy we wpisie badanie podłużne w doktoracie. Tu pokazujemy, jak zbudować LCS jedno- i dwuwymiarowy, jak czytać jego parametry i kiedy wybrać go zamiast LGM.

Zmiana stała i zmiana proporcjonalna

Podstawowy model tej rodziny to model podwójnej zmiany (dual change score). Zmiana w każdym kroku ma dwie składowe:

Δηt = s + β · ηt−1
  • zmiana stała s – czynnik latentny o średniej i wariancji, ten sam u danej osoby w każdym kroku; odpowiada „tempu” z liniowej krzywej wzrostu;
  • zmiana proporcjonalna β · ηt−1 – część zmiany zależna od poprzedniego poziomu, z jednym współczynnikiem β dla całej próby.

Znak β decyduje o kształcie trajektorii. Przy β < 0 osoby z wyższym poziomem przyrastają mniej, więc wzrost zwalnia i średnia zbliża się do asymptoty −μs/β. Przy β > 0 zmiana przyspiesza. Przy β = 0 zostaje sama zmiana stała, czyli liniowa krzywa wzrostu. Rysunek 1 pokazuje cały model dla pięciu pomiarów.

Schemat modelu podwójnej zmiany: wyniki prawdziwe η1–η5 nad pomiarami x1–x5, zmiany latentne Δη2–Δη5 zasilane przez czynnik zmiany stałej s o średniej 11.92 i SD 2.84 oraz przez poprzedni poziom ze współczynnikiem β = −0.30; start M = 19.50, SD = 5.29, korelacja startu z s = .37
Rysunek 1. Jednowymiarowy model podwójnej zmiany z oszacowaniami dla słownictwa. Każdy wynik prawdziwy ηt to poprzedni wynik plus zmiana latentna (ścieżki ustalone na 1); zmiana zależy od czynnika s (niebieskie) i od poprzedniego poziomu (czerwone, β). Obliczenia: R, pakiet lavaan (dane symulowane).

Przykład: słownictwo i rozumienie tekstu

400 dzieci badano co roku od klasy 1 do 5 testem słownictwa (x) i testem rozumienia czytanego tekstu (y). Dane są symulowane (set.seed(3461)) z modelu o znanych parametrach. Dzięki temu na końcu sprawdzimy, czy model je odzyskuje. Dane możesz pobrać jako plik CSV (400 wierszy, 10 kolumn).

Już średnie sugerują różne procesy. Przyrosty słownictwa maleją: 6.00, 4.45, 3.07 i 1.79 punktu. Przyrosty rozumienia tekstu są prawie stałe: od 4.19 do 3.65. Pytanie badawcze brzmi: czy słownictwo zwalnia, bo dzieci zbliżają się do pułapu, i czy poziom słownictwa wiąże się z późniejszą zmianą rozumienia tekstu?

Krok 1. Jednowymiarowy LCS w lavaan

Model zapisujemy w pakiecie lavaan (Rosseel, 2012) funkcją lavaan(), a nie sem(). lavaan() nie dodaje żadnych parametrów domyślnie, więc wszystko, co szacujesz, widać w składni. Ghisletta i McArdle (2012) pokazują ten sam typ modeli w lavaan i OpenMx, a Kievit i in. (2018) udostępniają gotowe skrypty. Składnię dla dowolnej liczby pomiarów generuje funkcja z przepisu 2. Najważniejsze elementy są cztery:

  1. lx1 =~ 1*x1 – wynik prawdziwy w każdym pomiarze, z ładunkiem 1;
  2. lx2 ~ 1*lx1 i dx2 =~ 1*lx2 – η2 = η1 + Δη2, przy wariancji i średniej η2 ustalonych na 0;
  3. dx2 ~ b_x*lx1 – zmiana proporcjonalna; ta sama etykieta b_x w każdym kroku narzuca równość β w czasie;
  4. sx =~ 1*dx2 + 1*dx3 + … – czynnik zmiany stałej z ładunkami 1, z szacowaną średnią, wariancją i kowariancją ze startem.

Wariancje błędu pomiaru są równe w czasie (etykieta e_x). Wariancja zmian latentnych jest ustalona na 0, więc cała zmienność zmiany pochodzi z s i z poziomu. Przy pięciu pomiarach mamy 20 momentów (5 średnich i 15 wariancji i kowariancji), a model ma 7 parametrów. Zostaje 13 stopni swobody (zob. identyfikacja modelu SEM).

Dopasowujemy cztery modele zagnieżdżone: bez zmiany, tylko ze zmianą stałą, tylko z proporcjonalną i podwójnej zmiany. Dla porównania dochodzą dwie krzywe wzrostu.

Dopasowanie jednowymiarowych latentnych modeli zmiany i krzywych wzrostu dla słownictwa w pięciu pomiarach
ModelParametryχ² (df)CFIRMSEABIC
Brak zmiany32486.42 (17).000.60314160.40
Tylko zmiana stała6325.81 (14).822.23612017.76
Tylko zmiana proporcjonalna4651.77 (16).638.31512331.74
Podwójna zmiana720.61 (13).996.03811718.56
LGM liniowa6325.81 (14).822.23612017.76
LGM kwadratowa1013.30 (10).998.02911729.22

Model podwójnej zmiany pasuje dobrze, χ²(13) = 20.61, p = .081, RMSEA = .038. Test różnicy chi-kwadrat względem modelu tylko ze zmianą stałą daje Δχ²(1) = 305.20, p < .001. Zmiana proporcjonalna jest więc potrzebna.

Krok 2. Interpretacja parametrów

W modelu podwójnej zmiany β = −0.299, 95% CI [−0.326, −0.271]. Każdy punkt poziomu w poprzedniej klasie wiąże się z przyrostem mniejszym o około 0.3 punktu. Średnia zmiany stałej wyniosła 11.92, 95% CI [11.12, 12.72], a jej SD 2.84. Średni start to 19.50 (SD = 5.29). Przewidywane średnie zmiany latentne maleją z klasy na klasę: 6.10, 4.28, 3.00 i 2.10. Średnia trajektoria dąży do asymptoty −11.92 / (−0.299) = 39.92 punktu.

Nie czytaj s jak nachylenia z krzywej liniowej. W modelu podwójnej zmiany s to składowa zmiany, która działa razem z β. Średnia 11.92 nie jest przeciętnym rocznym przyrostem, bo ten wynosił od 6.10 do 2.10. Podobnie korelacja startu z s (r = .37) nie oznacza, że dzieci z wyższym startem szybciej rosną. Przy β < 0 ich całkowita zmiana jest mniejsza, bo wyższy poziom „zjada” część przyrostu. Pytania o całkowitą zmianę odczytuj z przewidywanych trajektorii.

Model odzyskał parametry symulacji: β = −0.30, średnia zmiany stałej 12, start 20, SD zmiany stałej 3, korelacja .30. Wariancja błędu pomiaru wyniosła 8.27, 95% CI [7.61, 8.93], przy prawdziwej wartości 9. To ta część wariancji, którą zwykły wynik różnicowy liczyłby jako zmianę (zob. standardowy błąd pomiaru).

LCS a krzywa wzrostu (LGM)

Model tylko ze zmianą stałą to dokładnie liniowa krzywa wzrostu. Oba modele mają ten sam χ²(14) = 325.81 i tę samą log-wiarygodność, −5990.907. Różnicę robi dopiero β.

Wykres trajektorii słownictwa od klasy 1 do 5: szare linie 40 dzieci, czarne punkty średnich obserwowanych od 19.51 do 34.82; krzywe z modelu podwójnej zmiany (RMSEA .038, BIC 11719) i LGM kwadratowej (RMSEA .029, BIC 11729) pokrywają się ze średnimi, a LGM liniowa (RMSEA .236) mija je; asymptota średniej z LCS 39.92
Rysunek 2. Trajektorie 40 losowo wybranych dzieci (szare), średnie obserwowane (punkty) i średnie przewidywane z trzech modeli. Linia kropkowana: asymptota średniej trajektorii z modelu podwójnej zmiany. Obliczenia: R, pakiet lavaan (dane symulowane).

Kwadratowa krzywa wzrostu opisuje średnie tak samo dobrze jak model podwójnej zmiany (rysunek 2). Pasuje nawet nieco lepiej: RMSEA = .029 wobec .038. Ma jednak 10 parametrów zamiast 7, więc BIC wskazuje LCS (11718.56 wobec 11729.22), a AIC prawie nie rozróżnia modeli (11690.62 wobec 11689.31). Dopasowanie nie rozstrzyga, który model jest właściwy. Rozstrzyga teoria. Parabola po klasie 5 zacznie opadać. Model podwójnej zmiany mówi, że wzrost wyhamowuje przy pułapie i zależy od osiągniętego poziomu.

LGM wybierz, gdy pytasz o kształt trajektorii w czasie, potrzebujesz nierównych terminów u różnych osób albo modelu wielopoziomowego (zob. modele wzrostu w lme4). LCS wybierz, gdy hipoteza dotyczy mechanizmu zmiany: zależności od poprzedniego poziomu albo od innej zmiennej.

Krok 3. Dwuwymiarowy LCS ze sprzężeniem

W modelu dwuwymiarowym każda zmienna ma własny model podwójnej zmiany, a zmiana jednej zależy też od poprzedniego poziomu drugiej. To sprzężenie (coupling):

Δyt = sy + βy · yt−1 + γyx · xt−1

Analogicznie γxy łączy poziom czytania ze zmianą słownictwa. Grimm i in. (2012) rozszerzyli tę rodzinę modeli o wpływ wcześniejszych zmian na kolejne zmiany. Pozwala to pytać, czy niedawny przyrost, a nie poziom, zapowiada dalszą zmianę. Kievit i in. (2018) piszą, że LCS ujmuje kluczowe pytania rozwojowe jako parametry modelu, np. skorelowaną zmianę dwóch procesów.

Model ze sprzężeniami w obie strony pasuje bardzo dobrze, χ²(45) = 46.03, p = .429, CFI = 1.000, RMSEA = .008. Sprzężenie słownictwo → zmiana czytania wyniosło γyx = 0.090, 95% CI [0.011, 0.170]. Model bez niego pasował gorzej, Δχ²(1) = 4.21, p = .040. Sprzężenie w drugą stronę było ujemne i nieistotne, γxy = −0.076, 95% CI [−0.156, 0.004], Δχ²(1) = 3.44, p = .064. Korelacja zmian stałych obu umiejętności wyniosła .43.

Dwa panele trajektorii przewidywanych z modelu dwuwymiarowego: słownictwo w klasie 5 wynosi 33.25, 34.91 i 36.57 dla startu −1 SD, średniego i +1 SD; rozumienie tekstu, przy tym samym starcie 14.38, w klasie 5 wynosi 29.37, 30.36 i 31.35
Rysunek 3. Trajektorie przewidywane z dwuwymiarowego modelu podwójnej zmiany dla dzieci, których słownictwo na starcie jest o 1 SD niższe, średnie albo o 1 SD wyższe; pozostałe czynniki (start czytania i obie zmiany stałe) ustalono na średnich. Obliczenia: R, pakiet lavaan (dane symulowane).

Pojedynczy współczynnik γ trudno sobie wyobrazić, dlatego licz trajektorie przewidywane. Wstaw oszacowania do równań zmiany i przelicz je krok po kroku dla wybranych wartości startowych. Na rysunku 3 dzieci zaczynają z tym samym poziomem czytania, 14.38. Różnica 2 SD w słownictwie daje w klasie 5 różnicę około 2 punktów w czytaniu (29.37 wobec 31.35). Rozbieżność narasta z każdym rokiem, bo sprzężenie działa w każdym kroku.

Sprzężenie to związek poprzedniego poziomu z późniejszą zmianą w modelu. Samo nie dowodzi wpływu przyczynowego. Usami i in. (2019) porządkują modele z relacjami krzyżowymi, w tym LCS, CLPM i RI-CLPM, i pokazują, że interpretacja parametrów krzyżowych zależy od tego, jakie czynniki wspólne opisują zmianę. Wybór modelu może zmienić wniosek. W LCS czynniki s oddzielają stałe różnice w tempie od sprzężenia. Pełni to podobną rolę jak losowe stałe w RI-CLPM, które Hamaker i in. (2015) proponują zamiast klasycznego CLPM. Jeśli pytasz o wewnątrzosobowe wahania wokół trajektorii, przeczytaj wpis o modelach cross-lagged.

Krok 4. Czy model odzyskuje parametry?

W naszej próbie γyx = 0.090, choć dane wygenerowano z wartością 0.15. W modelu dwuwymiarowym β słownictwa wyniosło −0.235, a nie −0.299 jak w jednowymiarowym. Czy estymator jest obciążony, czy to zmienność z próby? Odpowie symulacja: 200 nowych zbiorów z tymi samymi parametrami dla N = 150 i N = 400 (zob. liczebność próby do SEM – symulacja Monte Carlo).

Odzysk parametrów dwuwymiarowego modelu podwójnej zmiany w 200 symulowanych zbiorach dla N = 150 i N = 400
Parametr (prawdziwy)NŚredniaSD oszacowańPokrycie 95% CIOdsetek CI bez 0
βx (−0.30)150−0.3000.059.955.990
βx (−0.30)400−0.3010.035.9451.000
γyx (0.15)1500.1480.060.965.685
γyx (0.15)4000.1480.036.940.960
γxy (0)1500.0000.067.960.040
γxy (0)400−0.0020.038.955.045

Wszystkie zbiory się zbiegły. Średnie oszacowań praktycznie równają się wartościom prawdziwym, a pokrycie przedziałów mieści się w granicach błędu Monte Carlo (±0.015 wokół .95). Nasza próba wylosowała γyx około 1.7 SD poniżej prawdy, co zdarza się przy takim rozrzucie. Przy N = 150 przedział wykluczał zero tylko w 68.5% zbiorów, przy N = 400 – w 96.0%. Sprzężenia wymagają dużych prób. Taką symulację z parametrami z literatury zrób przed badaniem, jako analizę mocy.

Założenia i pułapki

  • Równe odstępy. Model jest dyskretny: β i γ opisują zmianę na jeden odstęp. Jeśli odstępy są nierówne, nie wstawiaj kolejnych pomiarów jak równoodległych. Model trzeba zmodyfikować, np. dodając pomiary „fantomowe” bez danych.
  • Równości w czasie. Zwykle narzucamy jedno β i jedną wariancję błędu. Clark i in. (2018) pokazali w symulacji, że błędnie narzucona równość parametrów obciąża m.in. średnią zmiany stałej i β, a wskaźniki dopasowania i tak wyglądają dobrze. Sprawdzaj modele z uwolnionym β, ale licz się z mniej stabilnymi oszacowaniami.
  • Ten sam konstrukt w czasie. Gdy w każdym pomiarze masz kilka pozycji, zbuduj LCS na czynnikach i najpierw sprawdź inwariancję podłużną.
  • Braki danych. Dodaj missing = "fiml" do wywołania lavaan(). FIML zakłada braki MAR (zob. MCAR, MAR i MNAR).
  • Liczba pomiarów. Kievit i in. (2018) pokazują LCS nawet na dwóch pomiarach, ale wtedy nie oddzielisz zmiany stałej od proporcjonalnej. Przy trzech pomiarach model podwójnej zmiany ma tylko 2 stopnie swobody.

Jak opisać latentny model zmiany w artykule

W metodach podaj specyfikację: które parametry szacujesz, które są równe w czasie, estymator i sposób obsługi braków. Pokaż porównanie modeli zagnieżdżonych i schemat. W wynikach podaj β i γ z 95% CI, średnią i wariancję zmiany stałej oraz trajektorie przewidywane, a nie tylko pojedyncze współczynniki. Jeśli recenzent pyta o identyfikację albo o wybór między LCS a LGM, możemy przejrzeć model w ramach wsparcia statystycznego dla badaczy.

Zmianę słownictwa i rozumienia czytanego tekstu w klasach 1–5 (N = 400) analizowano dwuwymiarowym latentnym modelem zmiany (model podwójnej zmiany ze sprzężeniem; lavaan, estymator ML). Współczynniki zmiany proporcjonalnej i wariancje błędu pomiaru ustalono jako równe w czasie. W modelu jednowymiarowym dla słownictwa model podwójnej zmiany pasował lepiej niż model ze zmianą stałą, Δχ²(1) = 305.20, p < .001; χ²(13) = 20.61, p = .081, CFI = .996, RMSEA = .038. Wyższy poziom słownictwa wiązał się z mniejszym przyrostem w kolejnym roku, β = −0.30, 95% CI [−0.33, −0.27], a przewidywana średnia zmiana malała z 6.10 do 2.10 punktu. Model dwuwymiarowy pasował dobrze, χ²(45) = 46.03, p = .429, CFI = 1.000, RMSEA = .008. Wyższy poziom słownictwa wiązał się z większą zmianą rozumienia tekstu w kolejnym roku, γ = 0.09, 95% CI [0.01, 0.17], Δχ²(1) = 4.21, p = .040. Poziom rozumienia tekstu nie wiązał się istotnie z późniejszą zmianą słownictwa, γ = −0.08, 95% CI [−0.16, 0.00], Δχ²(1) = 3.44, p = .064.
Przykład reprodukowalny

Przykład w R

Cztery przepisy uruchamiane po kolei w jednej sesji R. Pierwszy tworzy plik latentne-modele-zmiany-dane.csv (możesz go pobrać tutaj). Potrzebne pakiety: lavaan i MASS.

1. Dane: dwa procesy w pięciu pomiarach

Dane wejściowe: 400 dzieci, słownictwo (x1–x5) i rozumienie czytanego tekstu (y1–y5) w klasach 1–5, generowane z dwuwymiarowego modelu podwójnej zmiany ze sprzężeniem (dane symulowane, set.seed(3461)). Skrypt zapisuje plik latentne-modele-zmiany-dane.csv.

Co odczytać: średnie i SD w kolejnych pomiarach oraz średnie przyrosty: malejące dla słownictwa, prawie stałe dla czytania.

R
# Dane symulowane: 400 dzieci, 5 corocznych pomiarów (klasy 1–5) dwóch umiejętności:
# słownictwo (x1–x5) i rozumienie czytanego tekstu (y1–y5). Wyniki prawdziwe zmieniają się według
# dwuwymiarowego modelu podwójnej zmiany (dual change score) ze sprzężeniem; obserwacje = wynik prawdziwy + błąd.
# Prawdziwe parametry: słownictwo – średnia zmiany stałej 12, β = −0.30; czytanie – średnia zmiany stałej 4,
# β = −0.20; sprzężenie słownictwo → zmiana czytania γ = 0.15, czytanie → zmiana słownictwa γ = 0; SD błędu 3.
symuluj_lcs <- function(n, T = 5, beta_x = -0.30, beta_y = -0.20, g_yx = 0.15, g_xy = 0, sd_e = 3) {
  m <- c(20, 12, 15, 4)                                   # średnie: start x, zmiana stała x, start y, zmiana stała y
  sd <- c(5, 3, 5, 2)
  R <- matrix(c(1, .30, .50, .20,
               .30, 1, .20, .30,
               .50, .20, 1, .30,
               .20, .30, .30, 1), 4)
  f <- MASS::mvrnorm(n, m, diag(sd) %*% R %*% diag(sd))
  x <- y <- matrix(NA, n, T)
  x[, 1] <- f[, 1]; y[, 1] <- f[, 3]
  for (t in 2:T) {                                         # Δx_t = s_x + β_x·x_{t−1} + γ_xy·y_{t−1}
    x[, t] <- x[, t - 1] + f[, 2] + beta_x * x[, t - 1] + g_xy * y[, t - 1]
    y[, t] <- y[, t - 1] + f[, 4] + beta_y * y[, t - 1] + g_yx * x[, t - 1]
  }
  d <- data.frame(round(x + rnorm(n * T, 0, sd_e), 1), round(y + rnorm(n * T, 0, sd_e), 1))
  names(d) <- c(paste0("x", 1:T), paste0("y", 1:T))
  d
}
set.seed(3461)
dane <- symuluj_lcs(400)
write.csv(dane, "latentne-modele-zmiany-dane.csv", row.names = FALSE)
head(dane, 3)
# Średnie i SD w kolejnych pomiarach
round(rbind(M_x = colMeans(dane[1:5]), SD_x = apply(dane[1:5], 2, sd),
            M_y = colMeans(dane[6:10]), SD_y = apply(dane[6:10], 2, sd)), 2)
# Średnie przyrosty obserwowane między pomiarami: słownictwo zwalnia, czytanie nie
round(rbind(dx = diff(colMeans(dane[1:5])), dy = diff(colMeans(dane[6:10]))), 2)
Wynik w R
    x1   x2   x3   x4   x5   y1   y2   y3   y4   y5
1 24.1 31.7 38.9 40.1 43.2 29.9 30.6 39.6 38.1 42.3
2 16.6 16.9 26.9 26.0 23.7 22.8 19.6 22.4 24.3 28.4
3 25.7 28.3 27.2 25.7 30.3 22.6 21.9 30.3 30.0 27.0
        x1    x2    x3    x4    x5
M_x  19.51 25.51 29.96 33.03 34.82
SD_x  6.00  6.30  6.63  7.53  8.55
M_y  14.39 18.58 22.90 26.71 30.36
SD_y  6.31  6.39  6.69  7.41  8.63
     x2   x3   x4   x5
dx 6.00 4.45 3.07 1.79
dy 4.19 4.31 3.82 3.65

2. Jednowymiarowy LCS i porównanie z LGM

Dane wejściowe: obiekt dane z przepisu 1.

Co odczytać: wygenerowaną składnię modelu podwójnej zmiany, tabelę dopasowania sześciu modeli, równą log-wiarygodność LCS ze zmianą stałą i liniowej LGM, test różnicy chi-kwadrat, parametry z 95% CI, przewidywane średnie, asymptotę i przewidywane średnie zmiany latentne.

R
# Jednowymiarowy latentny model zmiany (LCS) dla słownictwa w lavaan (wymaga obiektu dane z przepisu 1)
suppressPackageStartupMessages(library(lavaan))

# Składnia LCS dla T pomiarów zmiennej v: wynik prawdziwy l1–lT, zmiany latentne d2–dT.
# beta: "b" = zmiana proporcjonalna szacowana (równa w czasie), "0" = brak; stala = czy jest czynnik zmiany stałej s.
lcs_skladnia <- function(v, T = 5, beta = "b", stala = TRUE) {
  l <- paste0("l", v, 1:T); d <- paste0("d", v, 2:T); o <- paste0(v, 1:T)
  c(paste0(l, " =~ 1*", o),                                    # wynik prawdziwy w każdym pomiarze
    paste0(l[-1], " ~ 1*", l[-T]),                             # l_t = l_{t−1} + d_t
    paste0(d, " =~ 1*", l[-1]),                                # zmiana latentna d_t
    paste0(d, " ~ ", if (beta == "0") "0" else paste0(beta, "_", v), "*", l[-T]),   # zmiana proporcjonalna: β · l_{t−1}
    if (stala) c(paste0("s", v, " =~ ", paste0("1*", d, collapse = " + ")),   # zmiana stała
                 paste0("s", v, " ~ 1"), paste0("s", v, " ~~ s", v), paste0("l", v, "1 ~~ s", v)),
    paste0(l[1], " ~ 1"), paste0(l[1], " ~~ ", l[1]),           # start: średnia i wariancja
    paste0(o, " ~~ e_", v, "*", o),                              # równe wariancje błędu pomiaru
    paste0(c(o, l[-1], d), " ~ 0*1"), paste0(c(l[-1], d), " ~~ 0*", c(l[-1], d)))
}
dopasuj <- function(skl) lavaan(paste(skl, collapse = "\n"), data = dane)
cat(lcs_skladnia("x"), sep = "\n")                              # pełna składnia modelu podwójnej zmiany

m_brak  <- dopasuj(lcs_skladnia("x", beta = "0", stala = FALSE))  # brak zmiany
m_stala <- dopasuj(lcs_skladnia("x", beta = "0"))                 # tylko zmiana stała
m_prop  <- dopasuj(lcs_skladnia("x", stala = FALSE))              # tylko zmiana proporcjonalna
m_dual  <- dopasuj(lcs_skladnia("x"))                             # podwójna zmiana (dual change score)

# Krzywe wzrostu dla porównania: liniowa i kwadratowa (równe wariancje błędu jak w LCS)
lgm_lin <- growth("i =~ 1*x1 + 1*x2 + 1*x3 + 1*x4 + 1*x5
                   s =~ 0*x1 + 1*x2 + 2*x3 + 3*x4 + 4*x5
                   x1 ~~ e*x1; x2 ~~ e*x2; x3 ~~ e*x3; x4 ~~ e*x4; x5 ~~ e*x5", data = dane)
lgm_kw  <- growth("i =~ 1*x1 + 1*x2 + 1*x3 + 1*x4 + 1*x5
                   s =~ 0*x1 + 1*x2 + 2*x3 + 3*x4 + 4*x5
                   q =~ 0*x1 + 1*x2 + 4*x3 + 9*x4 + 16*x5
                   x1 ~~ e*x1; x2 ~~ e*x2; x3 ~~ e*x3; x4 ~~ e*x4; x5 ~~ e*x5", data = dane)
modele <- list(brak_zmiany = m_brak, zmiana_stala = m_stala, proporcjonalna = m_prop,
               podwojna = m_dual, LGM_liniowa = lgm_lin, LGM_kwadratowa = lgm_kw)
round(t(sapply(modele, fitMeasures, c("npar", "chisq", "df", "pvalue", "cfi", "rmsea", "srmr", "aic", "bic"))), 3)

# LCS ze zmianą stałą to liniowa krzywa wzrostu: ten sam logLik
round(c(LCS_stala = logLik(m_stala), LGM_liniowa = logLik(lgm_lin)), 3)
# Czy zmiana proporcjonalna jest potrzebna? Test ilorazu wiarygodności
lavTestLRT(m_stala, m_dual)

# Parametry modelu podwójnej zmiany (prawdziwe: start 20, zmiana stała 12, β −0.30, SD startu 5, SD zmiany 3, r .30, wariancja błędu 9)
pe <- parameterEstimates(m_dual)
pe <- pe[(pe$op == "~1" & pe$lhs %in% c("lx1", "sx")) | pe$label %in% c("b_x", "e_x") |
         (pe$op == "~~" & pe$lhs %in% c("lx1", "sx") & pe$rhs %in% c("lx1", "sx")), ]
pe <- pe[pe$label == "" | !duplicated(pe$label), ]          # parametry równe w czasie: jeden wiersz
print(data.frame(parametr = ifelse(pe$label != "", pe$label, paste(pe$lhs, pe$op, pe$rhs)), est = round(pe$est, 3), se = round(pe$se, 3),
                 dolny = round(pe$ci.lower, 3), gorny = round(pe$ci.upper, 3)), row.names = FALSE)
round(c(r_start_zmiana = lavInspect(m_dual, "cor.lv")["lx1", "sx"]), 3)

# Średnie przewidywane w pomiarach (model) a obserwowane; asymptota średniej trajektorii = −μ_s / β
srednie <- rbind(obserwowane = colMeans(dane[1:5]), podwojna = fitted(m_dual)$mean,
                 LGM_liniowa = fitted(lgm_lin)$mean, LGM_kwadratowa = fitted(lgm_kw)$mean)
round(srednie, 2)
b <- coef(m_dual)
round(c(asymptota = -unname(b["sx~1"] / b["b_x"])), 2)
# Przewidywane średnie zmiany latentne Δ2–Δ5: μ_s + β · E(l_{t−1})
round(unname(b["sx~1"]) + unname(b["b_x"]) * fitted(m_dual)$mean[1:4], 2)
Wynik w R
lx1 =~ 1*x1
lx2 =~ 1*x2
lx3 =~ 1*x3
lx4 =~ 1*x4
lx5 =~ 1*x5
lx2 ~ 1*lx1
lx3 ~ 1*lx2
lx4 ~ 1*lx3
lx5 ~ 1*lx4
dx2 =~ 1*lx2
dx3 =~ 1*lx3
dx4 =~ 1*lx4
dx5 =~ 1*lx5
dx2 ~ b_x*lx1
dx3 ~ b_x*lx2
dx4 ~ b_x*lx3
dx5 ~ b_x*lx4
sx =~ 1*dx2 + 1*dx3 + 1*dx4 + 1*dx5
sx ~ 1
sx ~~ sx
lx1 ~~ sx
lx1 ~ 1
lx1 ~~ lx1
x1 ~~ e_x*x1
x2 ~~ e_x*x2
x3 ~~ e_x*x3
x4 ~~ e_x*x4
x5 ~~ e_x*x5
x1 ~ 0*1
x2 ~ 0*1
x3 ~ 0*1
x4 ~ 0*1
x5 ~ 0*1
lx2 ~ 0*1
lx3 ~ 0*1
lx4 ~ 0*1
lx5 ~ 0*1
dx2 ~ 0*1
dx3 ~ 0*1
dx4 ~ 0*1
dx5 ~ 0*1
lx2 ~~ 0*lx2
lx3 ~~ 0*lx3
lx4 ~~ 0*lx4
lx5 ~~ 0*lx5
dx2 ~~ 0*dx2
dx3 ~~ 0*dx3
dx4 ~~ 0*dx4
dx5 ~~ 0*dx5
               npar    chisq df pvalue   cfi rmsea  srmr      aic      bic
brak_zmiany       3 2486.422 17  0.000 0.000 0.603 0.611 14148.43 14160.40
zmiana_stala      6  325.808 14  0.000 0.822 0.236 0.096 11993.82 12017.76
proporcjonalna    4  651.768 16  0.000 0.638 0.315 0.148 12315.77 12331.74
podwojna          7   20.610 13  0.081 0.996 0.038 0.032 11690.62 11718.56
LGM_liniowa       6  325.808 14  0.000 0.822 0.236 0.096 11993.82 12017.76
LGM_kwadratowa   10   13.299 10  0.207 0.998 0.029 0.030 11689.31 11729.22
  LCS_stala LGM_liniowa 
  -5990.907   -5990.907 

Chi-Squared Difference Test

        Df   AIC   BIC  Chisq Chisq diff   RMSEA Df diff Pr(>Chisq)    
m_dual  13 11691 11719  20.61                                          
m_stala 14 11994 12018 325.81      305.2 0.87206       1  < 2.2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
   parametr    est    se  dolny  gorny
        b_x -0.299 0.014 -0.326 -0.271
     sx ~1  11.919 0.408 11.120 12.718
   sx ~~ sx  8.062 0.731  6.629  9.494
  lx1 ~~ sx  5.487 0.937  3.649  7.324
    lx1 ~1  19.503 0.298 18.918 20.088
 lx1 ~~ lx1 27.985 2.425 23.233 32.738
        e_x  8.270 0.338  7.609  8.932
r_start_zmiana 
         0.365 
                  x1    x2    x3    x4    x5
obserwowane    19.51 25.51 29.96 33.03 34.82
podwojna       19.50 25.60 29.87 32.87 34.98
LGM_liniowa    20.94 24.75 28.56 32.38 36.19
LGM_kwadratowa 19.53 25.45 29.97 33.08 34.79
asymptota 
    39.92 
  x1   x2   x3   x4 
6.10 4.28 3.00 2.10 

3. Dwuwymiarowy LCS ze sprzężeniem i trajektorie przewidywane

Dane wejściowe: obiekt dane i funkcja lcs_skladnia() z przepisów 1–2.

Co odczytać: dopasowanie modelu, testy obu sprzężeń (Chisq diff, 1 df), oszacowania z 95% CI obok wartości prawdziwych, korelacje czynników startu i zmiany stałej oraz trajektorie przewidywane dla słownictwa na starcie −1 SD, średniego i +1 SD.

R
# Dwuwymiarowy model podwójnej zmiany ze sprzężeniem (wymaga obiektu dane i funkcji lcs_skladnia z przepisów 1–2)
suppressPackageStartupMessages(library(lavaan))
# sprzężenie: g_yx = wpływ słownictwa l_x(t−1) na zmianę czytania Δy_t; g_xy = wpływ czytania na zmianę słownictwa
lcs_dwa <- function(g_yx = "g_yx", g_xy = "g_xy", T = 5) {
  c(lcs_skladnia("x", T), lcs_skladnia("y", T),
    paste0("dy", 2:T, " ~ ", g_yx, "*lx", 1:(T - 1)),
    paste0("dx", 2:T, " ~ ", g_xy, "*ly", 1:(T - 1)),
    "lx1 ~~ ly1; lx1 ~~ sy; sx ~~ ly1; sx ~~ sy")             # korelacje czynników obu procesów
}
dopasuj2 <- function(skl, d = dane) lavaan(paste(skl, collapse = "\n"), data = d)
m_sprz   <- dopasuj2(lcs_dwa())                  # oba sprzężenia szacowane
m_bez_yx <- dopasuj2(lcs_dwa(g_yx = "0"))        # bez wpływu słownictwa na zmianę czytania
m_bez_xy <- dopasuj2(lcs_dwa(g_xy = "0"))        # bez wpływu czytania na zmianę słownictwa
round(fitMeasures(m_sprz, c("npar", "chisq", "df", "pvalue", "cfi", "rmsea", "srmr")), 3)
lavTestLRT(m_bez_yx, m_sprz)
lavTestLRT(m_bez_xy, m_sprz)

# Odzysk parametrów: oszacowanie, 95% CI i wartość prawdziwa
pe <- parameterEstimates(m_sprz)
pe <- pe[pe$label %in% c("b_x", "b_y", "g_yx", "g_xy", "e_x", "e_y") | (pe$op == "~1" & pe$lhs %in% c("sx", "sy")), ]
pe <- pe[pe$label == "" | !duplicated(pe$label), ]
pe$nazwa <- ifelse(pe$label != "", pe$label, paste(pe$lhs, pe$op))
prawdziwe <- c(b_x = -0.30, b_y = -0.20, g_yx = 0.15, g_xy = 0, e_x = 9, e_y = 9, "sx ~1" = 12, "sy ~1" = 4)
print(data.frame(parametr = pe$nazwa, est = round(pe$est, 3), se = round(pe$se, 3), dolny = round(pe$ci.lower, 3),
                 gorny = round(pe$ci.upper, 3), prawdziwy = prawdziwe[pe$nazwa]), row.names = FALSE)
round(lavInspect(m_sprz, "cor.lv")[c("lx1", "sx", "ly1", "sy"), c("lx1", "sx", "ly1", "sy")], 2)

# Trajektorie przewidywane: czytanie u dziecka ze słownictwem na starcie o 1 SD niższym / wyższym od średniej,
# przy pozostałych czynnikach (zmiana stała słownictwa, start i zmiana stała czytania) na średnich
trajektoria <- function(lx1, b = coef(m_sprz), T = 5) {
  x <- lx1; y <- unname(b["ly1~1"]); sx <- unname(b["sx~1"]); sy <- unname(b["sy~1"])
  for (t in 2:T) {
    x[t] <- x[t - 1] + sx + b[["b_x"]] * x[t - 1] + b[["g_xy"]] * y[t - 1]
    y[t] <- y[t - 1] + sy + b[["b_y"]] * y[t - 1] + b[["g_yx"]] * x[t - 1]
  }
  rbind(x = x, y = y)
}
b <- coef(m_sprz); sd_lx1 <- sqrt(lavInspect(m_sprz, "cov.lv")["lx1", "lx1"])
traj <- rbind(nisko = trajektoria(b[["lx1~1"]] - sd_lx1), srednio = trajektoria(b[["lx1~1"]]),
              wysoko = trajektoria(b[["lx1~1"]] + sd_lx1))
dimnames(traj) <- list(paste(rep(c("nisko", "srednio", "wysoko"), each = 2), c("x", "y")), paste0("klasa_", 1:5))
round(traj, 2)
write.csv(data.frame(grupa = rownames(traj), traj), "trajektorie-przewidywane.csv", row.names = FALSE)
Wynik w R
  npar  chisq     df pvalue    cfi  rmsea   srmr 
20.000 46.031 45.000  0.429  1.000  0.008  0.025 

Chi-Squared Difference Test

         Df   AIC   BIC  Chisq Chisq diff    RMSEA Df diff Pr(>Chisq)  
m_sprz   45 23298 23378 46.031                                         
m_bez_yx 46 23300 23376 50.237     4.2057 0.089522       1    0.04029 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Chi-Squared Difference Test

         Df   AIC   BIC  Chisq Chisq diff    RMSEA Df diff Pr(>Chisq)  
m_sprz   45 23298 23378 46.031                                         
m_bez_xy 46 23299 23375 49.471     3.4404 0.078109       1    0.06362 .
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 parametr    est    se  dolny  gorny prawdziwy
      b_x -0.235 0.038 -0.309 -0.161     -0.30
    sx ~1 11.755 0.425 10.922 12.588     12.00
      e_x  8.237 0.337  7.577  8.896      9.00
      b_y -0.151 0.044 -0.238 -0.065     -0.20
    sy ~1  4.680 0.445  3.807  5.552      4.00
      e_y  8.923 0.365  8.209  9.638      9.00
     g_yx  0.090 0.041  0.011  0.170      0.15
     g_xy -0.076 0.041 -0.156  0.004      0.00
     lx1   sx  ly1   sy
lx1 1.00 0.38 0.55 0.16
sx  0.38 1.00 0.30 0.43
ly1 0.55 0.30 1.00 0.11
sy  0.16 0.43 0.11 1.00
          klasa_1 klasa_2 klasa_3 klasa_4 klasa_5
nisko x     14.26   21.57   26.88   30.65   33.25
nisko y     14.38   18.17   22.05   25.83   29.37
srednio x   19.49   25.58   29.92   32.92   34.91
srednio y   14.38   18.64   22.82   26.75   30.36
wysoko x    24.73   29.59   32.95   35.18   36.57
wysoko y    14.38   19.12   23.58   27.67   31.35

4. Symulacja: odzysk parametrów sprzężenia

Dane wejściowe: funkcje z przepisów 1–3; 2 × 200 zbiorów (set.seed(3464)), obliczenia trwają około minuty.

Co odczytać: odsetek zbiorów z poprawnym dopasowaniem, a dla βx, γyx i γxy: średnią i SD oszacowań, obciążenie, pokrycie 95% CI, odsetek przedziałów wykluczających zero i błąd Monte Carlo pokrycia.

R
# Odzysk parametrów sprzężenia w symulacji: 200 zbiorów dla N = 150 i N = 400
# (wymaga funkcji symuluj_lcs, lcs_skladnia, lcs_dwa i dopasuj2 z przepisów 1–3; trwa kilka minut)
suppressPackageStartupMessages(library(lavaan))
set.seed(3464)
jeden <- function(n) {
  zbior <- symuluj_lcs(n)                                    # nowy zbiór z tymi samymi prawdziwymi parametrami
  fit <- tryCatch(dopasuj2(lcs_dwa(), zbior), warning = function(w) NULL, error = function(e) NULL)
  if (is.null(fit) || !lavInspect(fit, "converged")) return(rep(NA, 9))
  pe <- parameterEstimates(fit); pe <- pe[!duplicated(pe$label) & pe$label %in% c("b_x", "g_yx", "g_xy"), ]
  pe <- pe[match(c("b_x", "g_yx", "g_xy"), pe$label), ]
  c(pe$est, pe$ci.lower, pe$ci.upper)
}
prawdziwe <- c(b_x = -0.30, g_yx = 0.15, g_xy = 0)
wyniki <- do.call(rbind, lapply(c(150, 400), function(n) {
  w <- t(replicate(200, jeden(n)))
  data.frame(N = n, powt = 1:200, parametr = rep(names(prawdziwe), each = 200),
             est = c(w[, 1:3]), dolny = c(w[, 4:6]), gorny = c(w[, 7:9]))
}))
write.csv(wyniki, "odzysk-symulacja.csv", row.names = FALSE)
ok <- !is.na(wyniki$est)
round(tapply(ok, list(wyniki$parametr, wyniki$N), mean), 3)   # odsetek zbiorów z poprawnym dopasowaniem
w <- wyniki[ok, ]; w$prawdziwy <- prawdziwe[w$parametr]
podsum <- do.call(rbind, lapply(split(w, list(w$parametr, w$N)), function(d) data.frame(
  parametr = d$parametr[1], N = d$N[1], dopasowane = nrow(d), srednia = mean(d$est),
  obciazenie = mean(d$est) - d$prawdziwy[1], SD = sd(d$est),
  pokrycie_95 = mean(d$dolny <= d$prawdziwy[1] & d$gorny >= d$prawdziwy[1]),
  odrzucenie_zera = mean(d$dolny > 0 | d$gorny < 0))))
print(transform(podsum, srednia = round(srednia, 3), obciazenie = round(obciazenie, 3), SD = round(SD, 3),
                pokrycie_95 = round(pokrycie_95, 3), odrzucenie_zera = round(odrzucenie_zera, 3)), row.names = FALSE)
round(c(blad_MC_pokrycia_95 = sqrt(.95 * .05 / 200)), 3)
Wynik w R
     150 400
b_x    1   1
g_xy   1   1
g_yx   1   1
 parametr   N dopasowane srednia obciazenie    SD pokrycie_95 odrzucenie_zera
      b_x 150        200  -0.300      0.000 0.059       0.955           0.990
     g_xy 150        200   0.000      0.000 0.067       0.960           0.040
     g_yx 150        200   0.148     -0.002 0.060       0.965           0.685
      b_x 400        200  -0.301     -0.001 0.035       0.945           1.000
     g_xy 400        200  -0.002     -0.002 0.038       0.955           0.045
     g_yx 400        200   0.148     -0.002 0.036       0.940           0.960
blad_MC_pokrycia_95 
              0.015 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietami lavaan i MASS; rysunki przygotowano w pakiecie ggplot2.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lavaan (wersja 0.7.2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  3. MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Interpretacja s jak nachylenia LGM. Przy β ≠ 0 całkowita zmiana zależy od poziomu; opisuj trajektorie przewidywane.
  • Wybór LCS albo LGM według dopasowania. Kwadratowa krzywa i podwójna zmiana mogą pasować równie dobrze, a mówią co innego o mechanizmie.
  • Sprzężenie opisane jak efekt przyczynowy. To związek poziomu z późniejszą zmianą w danych obserwacyjnych.
  • Niesprawdzone równości w czasie. Dobre dopasowanie nie chroni przed obciążeniem β (Clark i in., 2018).
  • Nierówne odstępy traktowane jak równe. β i γ odnoszą się do jednego odstępu, więc ich znaczenie zmienia się z długością odstępu.
  • Sprzężenia na małej próbie. Przy N = 150 przedział dla γ = 0.15 obejmował zero w prawie co trzecim zbiorze.

Najczęstsze pytania

Czym różni się latentny model zmiany od krzywej wzrostu?

Krzywa wzrostu opisuje trajektorię funkcją czasu (poziom, nachylenie, przyspieszenie). Latentny model zmiany modeluje zmianę między kolejnymi pomiarami i pozwala ją przewidywać poprzednim poziomem albo poziomem innej zmiennej. LCS z samą zmianą stałą to dokładnie liniowa krzywa wzrostu; różnicę robi współczynnik zmiany proporcjonalnej β.

Co oznacza ujemny współczynnik β w modelu podwójnej zmiany?

Że osoby z wyższym poprzednim poziomem mają mniejszy kolejny przyrost, więc wzrost zwalnia, a średnia trajektoria zbliża się do asymptoty −μs/β. W przykładzie β = −0.30, a średnie słownictwo dążyło do 39.92 punktu. Dodatnie β oznacza zmianę przyspieszającą.

Jak interpretować sprzężenie (coupling) w dwuwymiarowym modelu LCS?

Sprzężenie γyx mówi, o ile zmienia się oczekiwana zmiana y w kolejnym kroku przy poziomie x wyższym o jednostkę. Najlepiej pokazać je trajektoriami przewidywanymi dla różnych wartości startowych. To związek w danych obserwacyjnych, a nie dowód wpływu przyczynowego.

Ile pomiarów potrzeba do latentnego modelu zmiany?

Prostą wersję LCS da się oszacować nawet na dwóch pomiarach, ale nie oddzielisz wtedy zmiany stałej od proporcjonalnej. Model podwójnej zmiany przy trzech pomiarach ma tylko 2 stopnie swobody, więc praktycznie potrzebujesz czterech–pięciu pomiarów w równych odstępach i, przy sprzężeniach, kilkuset osób.

Dlaczego latentny model zmiany zapisuje się w lavaan funkcją lavaan(), a nie sem()?

Funkcja sem() dodaje część parametrów automatycznie, np. wariancje zmiennych latentnych i kowariancje między egzogenicznymi zmiennymi latentnymi, więc każdy niechciany parametr trzeba wtedy jawnie ustalić. lavaan() niczego nie dodaje: wszystkie ustalenia LCS – ładunki 1, zerowe średnie i wariancje zmian latentnych – widać w składni i łatwo sprawdzić, że model ma dokładnie zamierzone parametry.

Powiązane hasła

Przeczytaj też

Planujesz latentny model zmiany w badaniu podłużnym?

Pomożemy dobrać model zmiany do hipotezy, sprawdzić specyfikację w lavaan, odzysk parametrów i opis wyników tak, żebyś mógł(a) samodzielnie bronić analizy przed recenzentami.

Oferta dla badaczyPorozmawiaj o projekcie

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Clark, D. A., Nuttall, A. K., & Bowles, R. P. (2018). Misspecification in latent change score models: Consequences for parameter estimation, model evaluation, and predicting change. Multivariate Behavioral Research, 53(2), 172–189. https://doi.org/10.1080/00273171.2017.1409612
  2. Ghisletta, P., & McArdle, J. J. (2012). Latent curve models and latent change score models estimated in R. Structural Equation Modeling: A Multidisciplinary Journal, 19(4), 651–682. https://doi.org/10.1080/10705511.2012.713275 ● Otwarty dostęp: pełny tekst
  3. Grimm, K. J., An, Y., McArdle, J. J., Zonderman, A. B., & Resnick, S. M. (2012). Recent changes leading to subsequent changes: Extensions of multivariate latent difference score models. Structural Equation Modeling: A Multidisciplinary Journal, 19(2), 268–292. https://doi.org/10.1080/10705511.2012.659627 ● Otwarty dostęp: pełny tekst
  4. Hamaker, E. L., Kuiper, R. M., & Grasman, R. P. P. P. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102–116. https://doi.org/10.1037/a0038889 ● Otwarty dostęp: pełny tekst
  5. Kievit, R. A., Brandmaier, A. M., Ziegler, G., van Harmelen, A.-L., de Mooij, S. M. M., Moutoussis, M., Goodyer, I. M., Bullmore, E., Jones, P. B., Fonagy, P., Lindenberger, U., & Dolan, R. J. (2018). Developmental cognitive neuroscience using latent change score models: A tutorial and applications. Developmental Cognitive Neuroscience, 33, 99–117. https://doi.org/10.1016/j.dcn.2017.11.007 ● Otwarty dostęp
  6. McArdle, J. J. (2009). Latent variable modeling of differences and changes with longitudinal data. Annual Review of Psychology, 60(1), 577–605. https://doi.org/10.1146/annurev.psych.60.110707.163612
  7. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02 ● Otwarty dostęp
  8. Usami, S., Murayama, K., & Hamaker, E. L. (2019). A unified framework of longitudinal models to examine reciprocal relations. Psychological Methods, 24(5), 637–657. https://doi.org/10.1037/met0000210 ● Otwarty dostęp

Cytowania BibTeX

@article{clark2018misspecification, author={Clark, D. Angus and Nuttall, Amy K. and Bowles, Ryan P.}, title={{Misspecification in latent change score models: Consequences for parameter estimation, model evaluation, and predicting change}}, journal={Multivariate Behavioral Research}, year={2018}, volume={53}, number={2}, pages={172--189}, doi={10.1080/00273171.2017.1409612}}
@article{ghisletta2012latent, author={Ghisletta, Paolo and McArdle, John J.}, title={{Latent curve models and latent change score models estimated in R}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2012}, volume={19}, number={4}, pages={651--682}, doi={10.1080/10705511.2012.713275}}
@article{grimm2012recent, author={Grimm, Kevin J. and An, Yang and McArdle, John J. and Zonderman, Alan B. and Resnick, Susan M.}, title={{Recent changes leading to subsequent changes: Extensions of multivariate latent difference score models}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2012}, volume={19}, number={2}, pages={268--292}, doi={10.1080/10705511.2012.659627}}
@article{hamaker2015critique, author={Hamaker, Ellen L. and Kuiper, Rebecca M. and Grasman, Raoul P. P. P.}, title={{A critique of the cross-lagged panel model}}, journal={Psychological Methods}, year={2015}, volume={20}, number={1}, pages={102--116}, doi={10.1037/a0038889}}
@article{kievit2018developmental, author={Kievit, Rogier A. and Brandmaier, Andreas M. and Ziegler, Gabriel and van Harmelen, Anne-Laura and de Mooij, Susanne M. M. and Moutoussis, Michael and Goodyer, Ian M. and Bullmore, Ed and Jones, Peter B. and Fonagy, Peter and Lindenberger, Ulman and Dolan, Raymond J.}, title={{Developmental cognitive neuroscience using latent change score models: A tutorial and applications}}, journal={Developmental Cognitive Neuroscience}, year={2018}, volume={33}, pages={99--117}, doi={10.1016/j.dcn.2017.11.007}}
@article{mcardle2009latent, author={McArdle, John J.}, title={{Latent variable modeling of differences and changes with longitudinal data}}, journal={Annual Review of Psychology}, year={2009}, volume={60}, number={1}, pages={577--605}, doi={10.1146/annurev.psych.60.110707.163612}}
@article{rosseel2012lavaan, author={Rosseel, Yves}, title={{lavaan: An R package for structural equation modeling}}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}
@article{usami2019unified, author={Usami, Satoshi and Murayama, Kou and Hamaker, Ellen L.}, title={{A unified framework of longitudinal models to examine reciprocal relations}}, journal={Psychological Methods}, year={2019}, volume={24}, number={5}, pages={637--657}, doi={10.1037/met0000210}}
R