Моделирование скрытого роста - это статистический метод, используемый в структуре моделирования структурными уравнениями (SEM) для оценки траекторий роста. Это метод продольного анализа для оценки роста за определенный период времени. Он широко используется в области поведенческой науки, образования и социальных наук. Его также называют анализом скрытой кривой роста. Модель скрытого роста была получена из теорий SEM. Программное обеспечение SEM общего назначения, такое как OpenMx, lavaan (оба пакета с открытым исходным кодом, основанные на R ), LISREL или, среди прочего, могут использоваться для оценки траектория роста.
Модели скрытого роста представляют собой повторяющиеся измерения зависимых переменных как функцию времени и других показателей. Такие лонгитюдные данные имеют общие черты, заключающиеся в том, что одни и те же субъекты наблюдаются неоднократно с течением времени, в одних и тех же тестах (или параллельных версиях) и в известное время. При моделировании скрытого роста относительное положение человека в каждый момент времени моделируется как функция основного процесса роста, при этом наилучшие значения параметров этого процесса роста подбираются для каждого человека.
Эти модели получили широкое распространение в социальных и поведенческих исследованиях, поскольку было показано, что они могут быть адаптированы как ограниченная модель общего фактора в рамках моделирования структурных уравнений.
Методологию можно использовать для исследования систематических изменений или роста, а также индивидуальной изменчивости этого изменения. Особый интерес представляет корреляция параметров роста, так называемого начального состояния и скорости роста, а также их связь с изменяющимися во времени и инвариантными во времени ковариатами. (Подробный обзор см. В McArdle and Nesselroade (2003))
Хотя многие приложения моделей скрытых кривых роста оценивают только начальный уровень и компоненты наклона, эти модели обладают необычными свойствами, такими как неограниченно возрастающая дисперсия. Модели с компонентами более высокого порядка, например квадратичными, кубическими, не предсказывают постоянно увеличивающуюся дисперсию, но требуют более двух измерений. Также возможно подобрать модели, основанные на кривых роста, с функциональными формами, часто версиями обобщенного логистического роста, такими как логистический, экспоненциальный или Гомпертц функции. Несмотря на то, что эти более сложные модели легко подходят для универсального программного обеспечения, такого как OpenMx, эти более сложные модели не могут быть оснащены пакетами SEM, в которых коэффициенты пути ограничиваются простыми константами или свободными параметрами и не могут быть функциями свободных параметров и данных..
На аналогичные вопросы также можно ответить, используя подход многоуровневой модели.