Bayesian Nonparametric Latent Class Analysis With Different Item Types

Meng Qiu

doi:10.1037/met0000728

Bayesian Nonparametric Latent Class Analysis With Different Item Types

2025-03-20

1

OA

AI

DOI：10.1037/met0000728

原文链接

原文求助

摘要

En 中文

潜在类别分析（LCA）需要确定类别数量。传统上，这是通过拟合具有递增类别数量的多个模型，并利用模型选择标准确定最优模型来解决的。然而，不同标准可能建议不同模型，使得就最佳标准达成共识变得困难。基于狄利克雷过程混合（DPM）模型的贝叶斯非参数LCA是一种灵活的替代方法，允许从数据中推断类别数量。在本文中，我们介绍了一种基于DPM的混合测量LCA模型，称为DPM-MMLCA，该模型根据在混合测量指标上测量的指标对个体进行聚类。我们阐述了两种后验估计算法，并讨论了用于估计类别数量及其构成的推断程序。进行了一项模拟研究，以比较在不同场景下DPM-MMLCA与传统混合测量LCA的性能。考虑了五个设计因素，包括潜在类别数量、观测变量数量、样本量、混合比例和类别分离度。性能指标包括评估对潜在类别数量的正确识别、参数恢复和类别标签分配。通过三个真实数据示例说明了贝叶斯非参数LCA方法。此外，还提供了一个使用R和nimble包的实践教程，以方便实现。

Keyword:

Bayesian nonparametrics

Dirichlet process

latent class analysis

mixture models

postprocessing

Bayesian Nonparametric Latent Class Analysis With Different Item Types

摘要

期刊

机构

引用论文