Latent variable analysis has recent

Latent variable analysis has recently stimulated interest in
identifying potential heterogeneity by profiling patients with
respect to multiple risk factors or multivariate outcome measures
(Gueorguieva et al., 2011). The key concept of such analytical
approaches is to use latent variables (not directly observable
but inferred from data) to explain the observed variables and to
identify unobserved population stratification or clustering. Specifically,
latent class analysis (LCA) is used to identify the unobserved
groups or predictors of those classes for multivariate categorical
data (McCutcheon, 1987; Keel et al., 2004), whereas the latent
growth mixture model (LGMM) is used to identify unobserved population
heterogeneity by modeling the longitudinal trajectories or
growth curves for longitudinal data (Muthén et al., 2002; Connell
and Frye, 2006; Stanger, 2006). Several studies have demonstrated
the application of LCA and LGMM in clinical trials to uncover important
information about classes of responders and non-responders

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ตัวแปรแฝงอยู่เพิ่งได้ถูกกระตุ้นสนใจในระบุอาจเกิด heterogeneity โดยผู้ป่วยที่มีการสร้างโพรไฟล์เคารพหลายปัจจัยเสี่ยงหรือตัวแปรพหุผลมาตรการ(Gueorguieva et al., 2011) แนวคิดหลักการวิเคราะห์ดังกล่าววิธีคือการ ใช้ตัวแปรแฝงอยู่ (ไม่ตรง observableแต่สรุปจากข้อมูล) เพื่ออธิบายตัวแปรสังเกตและระบุประชากร unobserved สาระหรือคลัสเตอร์ โดยเฉพาะใช้วิเคราะห์ชั้นแฝงอยู่ (LCA) เพื่อระบุที่ unobservedกลุ่มหรือ predictors ของผู้เรียนสำหรับ multivariate แน่ชัดข้อมูล (McCutcheon, 1987 Keel et al., 2004), ในขณะแฝงอยู่รุ่นผสมเจริญเติบโต (LGMM) ใช้เพื่อระบุประชากร unobservedheterogeneity ด้วยโมเดล trajectories ระยะยาว หรือเส้นโค้งการเจริญเติบโตสำหรับข้อมูลระยะยาว (Muthén et al., 2002 Connellและ Frye, 2006 Stanger, 2006) หลายการศึกษาได้แสดงการประยุกต์ใช้ LCA และ LGMM ในการทดลองทางคลินิกเผยสำคัญข้อมูลเกี่ยวกับการเรียนของ responders responders ไม่

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ตัวแปรแฝงเมื่อเร็ว ๆ นี้มีการกระตุ้นความสนใจใน
การระบุความแตกต่างที่อาจเกิดขึ้นโดย profiling ผู้ป่วยที่มี
ความเคารพต่อปัจจัยเสี่ยงหลายหรือมาตรการผลหลายตัวแปร
(Gueorguieva et al., 2011) แนวคิดที่สำคัญของการวิเคราะห์เช่น
วิธีการคือการใช้ตัวแปรแฝง (ไม่ได้โดยตรงที่สังเกตได้
แต่สรุปจากข้อมูล) ที่จะอธิบายตัวแปรสังเกตและ
ระบุการแบ่งชั้นประชากรไม่มีใครสังเกตหรือการจัดกลุ่ม โดยเฉพาะ
การวิเคราะห์กลุ่มแฝง (LCA) ถูกนำมาใช้เพื่อระบุไม่มีใครสังเกต
กลุ่มหรือทำนายของชั้นเรียนเหล่านั้นเด็ดขาดหลายตัวแปร
ข้อมูล (McCutcheon 1987; กระดูกงู et al, 2004.) ในขณะที่แฝง
รูปแบบผสมการเจริญเติบโต (LGMM) ถูกนำมาใช้เพื่อระบุ ประชากรสังเกต
ความแตกต่างโดยการสร้างแบบจำลองวิถียาวหรือ
เส้นโค้งการเจริญเติบโตสำหรับข้อมูลระยะยาว (Muthén et al, 2002;. คอนเนลล์
และฟราย, 2006; Stanger 2006) งานวิจัยหลายชิ้นแสดงให้เห็นถึง
การประยุกต์ใช้ LCA และ LGMM ในการทดลองทางคลินิกในการค้นพบที่สำคัญ
ข้อมูลเกี่ยวกับชั้นเรียนของการตอบสนองและการตอบสนองที่ไม่

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ตัวแปรแฝงนี้ได้กระตุ้นความสนใจในศักยภาพที่สามารถระบุโดยโปรไฟล์

ส่วนผู้ป่วยที่มีปัจจัยเสี่ยง หรือหลายตัวแปรผลมาตรการ
( gueorguieva et al . , 2011 ) แนวคิดหลักของวิธีการวิเคราะห์
ดังกล่าวคือการใช้ตัวแปรแฝง ( ไม่ได้สังเกตตรง
แต่ทั้งข้อมูล ) เพื่ออธิบายตัวแปรสังเกต

และการระบุประชากร unobserved หรือการจัดกลุ่ม . โดย
การวิเคราะห์กลุ่มแฝง ( LCA ) ใช้เพื่อระบุ unobserved
กลุ่มหรือตัวแปรชั้นเรียนข้อมูลอย่างแท้จริง
หลายตัวแปร ( เมิ่กคัชเชิน , 1987 ; กระดูกงู et al . , 2004 ) ส่วนผสมการแฝง
แบบ ( lgmm ) สามารถใช้เพื่อระบุประชากร
unobserved โดยการจำลองวิถีตามยาว หรือ
การเจริญเติบโตของเส้นโค้งสำหรับข้อมูลระยะยาว ( มุธé n et al . , 2002 ; เนล
และ ฟราย , 2006 ; เจอร์ , 2006 ) การศึกษาหลายแห่งได้แสดงให้เห็นการประยุกต์ใช้ LCA lgmm
และในการทดลองทางคลินิกเพื่อเปิดเผยข้อมูลที่สำคัญเกี่ยวกับประเภทของบริการ
และไม่ตอบสนอง