Co to jest analiza klas latentnych?
Analiza klas latentnych (ang. latent class analysis, LCA) to model mieszanin, który zakłada, że próba składa się z kilku nieobserwowanych podgrup, a wzorzec odpowiedzi na pytania zależy od tego, do której podgrupy należy dana osoba (Weller i in., 2020). Klasa jest kategorią zmiennej ukrytej. Wskaźnikami są odpowiedzi kategorialne, najczęściej na skali dychotomicznej, np. obecność objawów albo zachowań. Gdy wskaźniki są ciągłe (wyniki skal), ten sam pomysł realizuje analiza profili latentnych.
Model i wybór liczby klas
Model ma dwa rodzaje parametrów: udziały klas i prawdopodobieństwa odpowiedzi „tak” na każde pytanie w każdej klasie. Kluczowe założenie to lokalna niezależność: w obrębie jednej klasy odpowiedzi na pytania nie są ze sobą związane. Modele z kolejną liczbą klas szacuje się metodą największej wiarygodności z wielu losowych punktów startowych, a potem porównuje według BIC (zob. AIC i BIC), testu BLRT i sensowności klas. W symulacjach Nylunda i in. (2007) BIC był najlepszym kryterium informacyjnym, a BLRT spójnie wskazywał liczbę klas. Entropia (0–1) opisuje, jak pewnie osoby są przypisane do klas.
Przykład
800 studentów (dane symulowane) odpowiedziało tak lub nie na pięć pytań: alkohol, papierosy, marihuana, hazard i prowadzenie auta po alkoholu. BIC był najmniejszy dla trzech klas: 3685.35 wobec 3697.94 dla dwóch i 3720.71 dla czterech. Klasa niskiego ryzyka (52.1%) rzadko zgłaszała którekolwiek zachowanie. Klasa „alkohol i papierosy” (31.3%) piła i paliła (prawdopodobieństwa .84 i .72), ale rzadko sięgała po marihuanę (.12). Klasa wielu zachowań (16.6%) miała wysokie prawdopodobieństwa także dla marihuany (.71) i prowadzenia po alkoholu (.59). Entropia wyniosła .716.
Jak opisać w pracy
Na co uważać
- Entropia nie wybiera liczby klas. W przykładzie dwie klasy miały wyższą entropię (.793) niż trzy, choć BIC wskazał trzy.
- Nie traktuj przypisanej klasy jak zwykłej zmiennej. Przypisanie osób do najbardziej prawdopodobnej klasy, a potem regresja z predyktorami zaniża związki z kowariantami. Vermunt (2010) opisuje poprawione podejścia trzykrokowe.
LCA różni się od metody k-średnich z hasła analiza skupień: każda osoba dostaje prawdopodobieństwa przynależności, a liczbę klas wybiera się formalnymi kryteriami. Pełną procedurę z kodem R opisuje wpis Analiza klas latentnych krok po kroku.
Najczęstsze pytania
Ile klas wybrać w analizie klas latentnych?
Porównaj modele z kolejną liczbą klas według BIC i testu BLRT, a potem sprawdź, czy klasy mają sens merytoryczny i nie są zbyt małe. Decyzję i wszystkie porównane modele opisz w pracy.
Co oznacza założenie lokalnej niezależności w LCA?
Że w obrębie jednej klasy odpowiedzi na pytania nie są ze sobą związane, a cały ich związek w próbie wynika z różnic między klasami. Silne związki reszt sugerują brak klasy albo potrzebę innego modelu.
Jakie dane nadają się do analizy klas latentnych?
Wskaźniki kategorialne: odpowiedzi tak/nie, kategorie nominalne albo porządkowe, np. obecność objawów czy zachowań. Przy wynikach ciągłych skal stosuje się analizę profili latentnych.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza klas latentnych (LCA) krok po kroku
Wiele startów EM, BIC i BLRT, lokalna niezależność, profile i entropia, poprawka BCH dla zmiennych zewnętrznych i opis APA – z kodem R.
Czytaj →PoradnikSegmentacja respondentów: k-średnich i LPA
Przygotowanie danych, liczba skupień, stabilność, profile latentne w mclust (BIC, entropia, BLRT), walidacja zewnętrzna i opis APA – z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural Equation Modeling: A Multidisciplinary Journal, 14(4), 535–569. https://doi.org/10.1080/10705510701575396
- Vermunt, J. K. (2010). Latent class modeling with covariates: Two improved three-step approaches. Political Analysis, 18(4), 450–469. https://doi.org/10.1093/pan/mpq025
- Weller, B. E., Bowen, N. K., & Faubert, S. J. (2020). Latent class analysis: A guide to best practice. Journal of Black Psychology, 46(4), 287–311. https://doi.org/10.1177/0095798420930932 ● Otwarty dostęp
Cytowania BibTeX
@article{nylund2007deciding, author={Nylund, Karen L. and Asparouhov, Tihomir and Muthén, Bengt O.}, title={{Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2007}, volume={14}, number={4}, pages={535--569}, doi={10.1080/10705510701575396}}@article{vermunt2010latent, author={Vermunt, Jeroen K.}, title={{Latent class modeling with covariates: Two improved three-step approaches}}, journal={Political Analysis}, year={2010}, volume={18}, number={4}, pages={450--469}, doi={10.1093/pan/mpq025}}@article{weller2020latent, author={Weller, Bridget E. and Bowen, Natasha K. and Faubert, Sarah J.}, title={{Latent class analysis: A guide to best practice}}, journal={Journal of Black Psychology}, year={2020}, volume={46}, number={4}, pages={287--311}, doi={10.1177/0095798420930932}}