2.3. Latent class mixture modelingT

2.3. Latent class mixture modeling
The LCA was performed in the statistical sof tware program
Mplus, Version 5 (Muthén and Muthén, 1998 –2014 ) as described
previously (Kerner et al., 2011 ). The estimation maximization (EM)
algorithm was used to estimate the latent class membership for
each individual based on the probability of endorsing a profi le of
variables (Muthén and Shedden, 1999 ). To avoid local maxima in
the loglikelihood, we used 20 0 random sets of starting values. We
compared models with an increasing number of classes until the
Bayesian Information Criterion (BIC) reached a minimum. The BIC
was calculated for the different class solutions, where the model
with the smallest BIC was selected as the best ( Nylund et al.,
20 07). We also compared the entropy of the latent class solutions
and other fi t indices, including the Akaike Information Criterion
(AIC; Akaike, 1987 ), the BIC and sample size adjusted BIC (Schwarz,
19 7 8), the Lo-Mendel-Rubin (LMR) test (Lo et al., 20 01 ), and
the Bootstrapped Likelihood Ratio Test (BLRT; McLachlan, 1987 ).

ผลลัพธ์ (ไทย) 1:

2.3. แฝงระดับส่วนผสมการสร้างโมเดลLCA ถูกดำเนินการใน tware โปรแกรมสถิติของ sofMplus รุ่น 5 (Muthén และ Muthén, 1998 –2014) อธิบายไว้ก่อนหน้านี้ (Kerner et al. 2011) Maximization ประเมิน (EM)อัลกอริทึมใช้ในการประเมินสมาชิกชั้นแฝงคะแนนความเป็นไปของสลักเลอเพิ่มหรือเปลี่ยนแปลงของแต่ละคนตัวแปร (Muthén และ Shedden, 1999) เพื่อหลีกเลี่ยงแมกท้องถิ่นในloglikelihood เราใช้ 20 ชุดสุ่ม 0 ค่าเริ่มต้น เราเมื่อเทียบกับรุ่นที่ มีการเพิ่มจำนวนชั้นเรียนจนถึงการทฤษฎีข้อมูลเกณฑ์ (BIC) ถึงน้อยที่สุด BICได้คำนวณสำหรับโซลูชันระดับแตกต่างกัน ซึ่งรูปแบบกับ BIC เล็กเลือกที่ดีที่สุด (Nylund et al.,20 07) นอกจากนี้เรายังเปรียบเทียบ entropy ของโซลูชันระดับแฝงอยู่และ ดัชนี t อื่น ๆ ไฟล์ รวมทั้งเกณฑ์ข้อมูล Akaike(พรต Akaike, 1987) BIC และขนาดปรับ BIC (Schwarz ตัวอย่าง19 7 8), การทดสอบหล่อ-Mendel-Rubin (LMR) (หล่อ et al. 20 01), และการทดสอบอัตราส่วนความน่าเป็น Bootstrapped (BLRT ราห์แมคลาชแลน 1987)

ผลลัพธ์ (ไทย) 2:

2.3 ส่วนผสมชั้นแฝงการสร้างแบบจำลอง
LCA ถูกดำเนินการในทางสถิติ SOF โปรแกรม tware
Mplus รุ่นที่ 5 (MuthénและMuthén 1998 -2014) ตามที่อธิบายไว้
ก่อนหน้านี้ (เคอร์เนอ et al. 2011) ประมาณการสูงสุด (EM)
อัลกอริทึมถูกใช้ในการประเมินการเป็นสมาชิกกลุ่มแฝงสำหรับ
แต่ละบุคคลขึ้นอยู่กับความน่าจะเป็นของสาโปร Fi le ของ
ตัวแปร (Muthénและ Shedden, 1999) เพื่อหลีกเลี่ยงการ Maxima ท้องถิ่นใน
loglikelihood เราใช้ 20 0 ชุดสุ่มของการเริ่มต้นค่า เรา
เมื่อเทียบกับรุ่นที่มีจำนวนเพิ่มมากขึ้นของการเรียนจน
คชกรรมข้อมูลเกณฑ์ (BIC) ถึงน้อยที่สุด BIC
ที่คำนวณได้สำหรับการแก้ปัญหาระดับแตกต่างกันที่รูปแบบ
ที่มีขนาดเล็กที่สุด BIC ได้รับเลือกเป็นสิ่งที่ดีที่สุด (Nylund et al.,
20 07) นอกจากนี้เรายังเทียบเอนโทรปีของการแก้ปัญหาระดับแฝง
และดัชนี Fi T อื่น ๆ รวมทั้ง Akaike ข้อมูล Criterion
(AIC; Akaike, 1987), BIC และตัวอย่างขนาดปรับ BIC (Schwarz,
19 7 8) ที่แท้จริง Mendel-รูบิน (LMR) การทดสอบ (Lo et al, 20 01.) และ
การทดสอบปลุกเครื่องภาวะน่าจะเป็นอัตราส่วน (BLRT; McLachlan, 1987)

ผลลัพธ์ (ไทย) 3:

2.3 แบบผสมกลุ่มแฝงส่วนวิธีการในการปฏิบัติทางสถิติโปรแกรมซอฟแวรมพลัส รุ่นที่ 5 ( มุธé n é n และ มุธ , 1998 – 2557 ) ตามที่อธิบายไว้ก่อนหน้านี้ ( Kerner et al . , 2011 ) การประมาณค่าสูงสุด ( EM )วิธีการที่ใช้ในการประมาณการเป็นสมาชิกกลุ่มแฝงสำหรับแต่ละคนขึ้นอยู่กับความน่าจะเป็นของความเป็นมืออาชีพจึงเลอของตัวแปร ( มุธé n เชดเดิ้น , 1999 ) เพื่อหลีกเลี่ยง แม็กซิม่าท้องถิ่นการ loglikelihood เราใช้ชุด 20 0 การเริ่มต้นค่า เราเทียบรุ่น ด้วยการเพิ่มจำนวนของชั้นเรียนที่จนกว่ามาตรฐานข้อมูลแบบ ( BIC ) ถึงน้อยที่สุด ที่บิ๊กถูกคำนวณสำหรับโซลูชั่นคลาสที่แตกต่างกันที่รูปแบบกับ บิ๊กเล็ก ถูกเลือกเป็นดีที่สุด ( nylund et al . ,20 07 ) เราเปรียบเทียบค่าเอนโทรปีของโซลูชั่นกลุ่มแฝงและอื่น ๆจึงไม่ดัชนี รวมถึงเกณฑ์เคราะห์ข้อมูล( AIC ; เคราะห์ , 1987 ) , บิ๊ก และขนาดตัวอย่างปรับ BIC ( ชวาร์ซ ,19 7 8 ) , โล เมนเดล รูบิน ( เล่นตัว ) ทดสอบ ( Lo et al . , 20 01 )ที่ bootstrapped โอกาสทดสอบอัตราส่วน ( blrt ; แมคลาชแลน , 1987 )