El modelado de crecimiento latente es una técnica estadística utilizada en el marco de modelado de ecuaciones estructurales (SEM) para estimar trayectorias de crecimiento . Es una técnica de análisis longitudinal para estimar el crecimiento durante un período de tiempo. Se utiliza ampliamente en el campo de la psicología, la ciencia del comportamiento, la educación y las ciencias sociales. También se denomina análisis de curva de crecimiento latente. El modelo de crecimiento latente se derivó de las teorías de SEM. Se puede utilizar software SEM de propósito general, como OpenMx , lavaan (ambos paquetes de código abierto basados en R ), AMOS, Mplus, LISREL o EQS, entre otros, para estimar trayectorias de crecimiento.
Los modelos de crecimiento latente [1] [2] [3] [4] representan medidas repetidas de variables dependientes en función del tiempo y otras medidas. Estos datos longitudinales comparten la característica de que los mismos sujetos son observados repetidamente a lo largo del tiempo, y en las mismas pruebas (o versiones paralelas), y en momentos conocidos. En los modelos de crecimiento latente, la posición relativa de un individuo en cada momento se modela como una función de un proceso de crecimiento subyacente, y los mejores valores de los parámetros para ese proceso de crecimiento se ajustan a cada individuo.
Estos modelos se han utilizado cada vez más en la investigación social y conductual desde que se demostró que pueden adaptarse como un modelo de factor común restringido en el marco de modelado de ecuaciones estructurales . [4]
La metodología puede utilizarse para investigar el cambio sistemático, o crecimiento, y la variabilidad interindividual en este cambio. Un tema de especial interés es la correlación de los parámetros de crecimiento, el llamado estado inicial y la tasa de crecimiento, así como su relación con covariables que varían con el tiempo y que no lo hacen (véase McArdle y Nesselroade (2003) [5] para una revisión exhaustiva).
Aunque muchas aplicaciones de modelos de curvas de crecimiento latente estiman solo componentes iniciales de nivel y pendiente, se pueden estimar modelos más complejos. Los modelos con componentes de orden superior, por ejemplo, cuadráticos, cúbicos, no predicen una varianza en constante aumento, sino que requieren más de dos ocasiones de medición. También es posible ajustar modelos basados en curvas de crecimiento con formas funcionales, a menudo versiones del crecimiento logístico generalizado , como las funciones logísticas , exponenciales o de Gompertz . Aunque son fáciles de ajustar con software versátil como OpenMx , estos modelos más complejos no se pueden ajustar con paquetes SEM en los que los coeficientes de trayectoria se limitan a ser constantes simples o parámetros libres, y no pueden ser funciones de parámetros y datos libres. Los modelos discontinuos donde el patrón de crecimiento cambia alrededor de un punto temporal (por ejemplo, es diferente antes y después de un evento) también se pueden ajustar en software SEM. [6]
También se pueden responder preguntas similares utilizando un enfoque de modelo multinivel . [7]
{{cite book}}: Mantenimiento de CS1: falta la ubicación del editor ( enlace )