王孟成 邓俏文 毕向阳 叶浩生 杨文登

    (1广州大学心理系; 2广州大学心理测量与潜变量建模研究中心; 3广东省未成年人心理健康与教育认知神经科学实验室,广州 510006) (4中国政法大学社会学院, 北京 102249)

    1 引言

    以结构方程模型为代表的潜变量建模方法在心理学和社会科学各领域得到了广泛的应用(侯杰泰, 温忠麟, 成子娟, 2004; 王孟成, 2014)。然而在传统的结构方程模型中, 研究的样本通常假设来自同质性(Homogeneity)群体, 但这一假设在很多情况下并不成立。不同质群体的结构方程建模可以使用多组分析(Multiple-Group Analysis)或多指标多因模型(MIMIC) (侯杰泰等, 2004)。不过这种处理的前提是存在明确的分组变量, 最多见的分组变量如性别、种族和宗教信仰等。但更多时候, 往往很难找到客观的外显分组变量, 最常见的例子就是心理疾病的诊断(e.g., Helzer, Kraemer, & Krueger, 2006;Widiger & Samuel, 2005; Zachar & Kendler, 2007)。目前的心理疾病诊断通常以患者满足某种疾病最低的症状数目为确诊依据即采用类型(Categorical)标准将个体分为异常和正常。然而实证研究的结果通常并不支持这种诊断划分(e.g., Widiger, Livesley,& Clark, 2009), 即心理疾病不是有或无的类别。在不存在明确的分组变量的情况下, 不同质群体(即异质群体)的划分是隐蔽的、潜在的, 因此需要通过基于模型的方法对潜在分组进行估计。

    在统计学上, 为了处理潜在分组问题, 研究者提出了多种统计模型, 比如Taxometric分析法(Meehl,1995; Ruscio, Haslam, & Ruscio, 2006)和潜类别/潜剖面分析(McLachlan & Peel, 2000)。由于Taxometric方法在处理存在两个以上的潜在群体方面存在很大的局限性(Lubke & Miller, 2015; Lubke & Tueller,2010), 潜类别/潜剖面分析是目前将人群分成不同潜在组最流行的方法(McClintock, Dale, Laumann,& Waite, 2016; Mokros et al., 2015; 王孟成, 毕向阳, 叶浩生, 2014)。

    潜类别分析(Latent Class Analysis, LCA)或潜类别模型(Latent Class Model, LCM)是通过个体在观测变量上的反应模式将其划分成不同的潜类别组, 与聚类分析在功能上类似, 只是LCA是基于模型的聚类方法, 因此也称作潜聚类分析(latent cluster analysis) ...... 濡傛灉鎮ㄥ湪浣跨敤鎵嬫満绛夋祦瑙堟椂鏃犳硶鏌ョ湅鎴栦笅杞藉叏鏂囷紝鍙兘鏄鎼滅储寮曟搸澶辩湡鈥滆浆鐮佲€濓紝璇风偣鍑诲睆骞曟渶涓嬫柟鐨勨€滅數鑴戠増鈥濇垨鈥滃師缃戦〉鈥濊闂€�


闄愪簬鏈嶅姟鍣ㄥ帇鍔涳紝缃戠珯閮ㄥ垎淇℃伅鍙緵鐖卞績浼氬憳鎴栨湁涓€瀹氱Н鍒嗙殑娉ㄥ唽浼氬憳娴佽銆�
姝�淇℃伅闇€瑕� 2 绉垎锛堝厤璐规敞鍐岀櫥褰曞悗姣忓ぉ鍙互棰嗗彇10涓Н鍒�锛夈€�
    婵烇絽娲犻崜婵囧閸涱喚顩烽柛娑卞墰鏉╂棃鏌涘▎蹇撯偓浠嬪焵椤掆偓閸犳稓妲愬┑鍥┾枖鐎广儱妫涢埀顒夊灦楠炲骞囬鍛簥婵炶揪绲惧ú鎴犵不閿濆拋鍤堝Δ锔筋儥閸炴挳鏌曢崱鏇犲妽閻㈩垰缍婇幊锟犲箛椤撶偟浠愰梺鍦瑰ú銈囨閳哄懎违闁稿本绋掗悗顔剧磼閺冨倸啸濠⒀勵殜瀵爼宕橀妸褎鍓戞繛瀛樼矊妤犲摜鏁锔藉婵＄偛澧界粙濠囨煛婢跺﹤鏆曟慨鐟邦樀閺佸秴鐣濋崘顭戜户闂佽鍠撻崝蹇涱敇缂佹ḿ鈻旈柣鎴烇供閸斿啴鏌￠崒姘煑缂佹顦遍埀顒冾潐缁繘锝為敃鍌氱哗閻犻缚娅ｇ粔鍨€掑顓犫槈闁靛洤娲ㄩ埀顒傤攰濞夋盯宕㈤妶鍥ㄥ鐟滅増甯楅～澶愭偣閸ワ妇涓茬紒杈ㄧ箘閹风娀鎮滈挊澶夌病婵炲濮鹃崺鏍垂閵娾晜鍋ㄥù锝呭暟濡牓姊洪锝嗙殤闁绘搫绻濋獮瀣箣濠婂嫮鎷ㄩ梺鎸庣☉閺堫剟宕瑰⿰鍕浄妞ゆ帊鐒﹂弳顏堟煕閹哄秴宓嗛柍褜鍓氬銊╂偂閿熺姴瑙﹂幖鎼灣缁€澶娒归崗鍏肩殤闁绘繃鐩畷锟犲礃閼碱剚顔戦梺璇″枔閸斿骸鈻撻幋鐐村婵犲﹤鍟幆鍌毭归悩鎻掝劉婵犫偓閹殿喚纾鹃柟瀵稿Х瑜版煡鏌涢幒鏂库枅婵炲懎閰ｆ俊鎾晸閿燂拷

閻庣敻鍋婇崰鏇熺┍婵犲洤妫橀柛銉㈡櫇瑜帮拷  闂佺ǹ绻楀▍鏇㈠极閻愮儤鍎岄柣鎰靛墮椤庯拷  闁荤姴娲ょ€氼垶顢欓幋锕€绀勯柣妯诲絻缂嶏拷  闂佺懓鍚嬬划搴ㄥ磼閵娾晛鍗抽柡澶嬪焾濡拷