[論文レビュー] Hybridizing two-step growth mixture model and exploratory factor analysis to examine heterogeneity in nonlinear trajectories

Jin Liu, Robert A. Perera+3 more|arXiv (Cornell University)|Nov 22, 2019

Mental Health Research Topics被引用数 4

ひとこと要約

本稿では、縦断的データにおける非線形な推移クラスを特定し、そのベースライン共変量との関係を解明するために、成長混合モデル（GMM）と探索的要因分析（EFA）を組み合わせたハイブリッド2段階手法を提案する。EFAを用いて高次元で相関の高い共変量を事前に低次元化することで、教育的・心理的研究分野における異質な成長パターンの検出において、計算効率とモデルの正確性が向上する。

ABSTRACT

Empirical researchers are usually interested in investigating the impacts of baseline covariates have when uncovering sample heterogeneity and separating samples into more homogeneous groups. However, a considerable number of studies in the structural equation modeling (SEM) framework usually start with vague hypotheses in terms of heterogeneity and possible reasons. It suggests that (1) the determination and specification of a proper model with covariates is not straightforward, and (2) the exploration process may be computational intensive given that a model in the SEM framework is usually complicated and the pool of candidate covariates is usually huge in the psychological and educational domain where the SEM framework is widely employed. Following \citet{Bakk2017two}, this article presents a two-step growth mixture model (GMM) that examines the relationship between latent classes of nonlinear trajectories and baseline characteristics. Our simulation studies demonstrate that the proposed model is capable of clustering the nonlinear change patterns, and estimating the parameters of interest unbiasedly, precisely, as well as exhibiting appropriate confidence interval coverage. Considering the pool of candidate covariates is usually huge and highly correlated, this study also proposes implementing exploratory factor analysis (EFA) to reduce the dimension of covariate space. We illustrate how to use the hybrid method, the two-step GMM and EFA, to efficiently explore the heterogeneity of nonlinear trajectories of longitudinal mathematics achievement data.

研究の動機と目的

• ベースライン共変量が多数存在し、相関が強い状況において、縦断的データにおける非線形的で異質な成長推移を特定する課題に対処すること。
• モデル選択が複雑で仮説に基づく仮定が曖昧になりがちな構造方程式モデリング（SEM）フレームワークにおいて、モデル仕様の改善と計算負荷の低減を図ること。
• 事前に指定されたモデルに依存せずに、潜在的推移クラスにおける共変量効果を体系的かつデータドリブンな方法で探索するための手法を開発すること。
• 高次元な共変量空間における現実的な条件下で、成長混合モデルにおけるパラメータ推定の正確性と精度を向上させること。
• 本手法の実用性を、特に縦断的数学学力研究において、実世界の教育データに応用して示すこと。

提案手法

• 2段階的手法を適用する：まず、多数のベースライン共変量に対して探索的要因分析（EFA）を実施し、次元削減と潜在的要因の抽出を行う。
• 抽出されたEFA要因を予測変数として用い、2段階成長混合モデル（GMM）を推定することで、明確に区別できる非線形的推移クラスを特定する。
• 第1段階では、高次元で相関の強い共変量群を、主な変動源を捉える非相関の潜在的要因に変換する。
• 第2段階では、EFAから得られた要因を共変量として用い、GMMを推定することで、クラスメンバーシップの予測と非線形的成長パターンのモデル化を行う。
• この手法により、モデル仕様がデータドリブンかつ計算的に効率的になり、すべての共変量の組み合わせをテストする必要がなくなる。
• シミュレーション研究を通じて、パラメータの回復度、クラス数の正確性、信頼区間のカバレッジを評価し、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド2段階GMM-EFA手法は、高次元な共変量を有する縦断的データにおいて、明確に区別できる非線形的推移クラスを的確に特定できるか？
• RQ2 EFA段階は、クラスメンバーシップの予測力が保持されたまま、共変量空間の次元をどの程度効果的に低減できるか？
• RQ3 相関の強い多数の共変量が存在する状況下でも、提案手法が不偏かつ精度の高いパラメータ推定を実現する程度はいかほどか？
• RQ4 現実的なサンプルサイズと推移の複雑さを想定した場合、推定パラメータの信頼区間カバレッジが適切に維持されるか？
• RQ5 縦断的教育データにおける異質性を探索する文脈において、従来のSEMベースの手法と比較して、本手法は計算効率とモデル適合度の面で優れているか？

主な発見

• 提案された2段階GMM-EFA手法は、高次元な共変量を有する縦断的データにおいて、非線形的変化パターンを高い正確性でクラスタリングできた。
• シミュレーション研究において、推移の成長パラメータおよび共変量効果の両方のパラメータ推定が不偏かつ精度が高かった。
• 適切な信頼区間カバレッジが得られたことから、推定パラメータに対する信頼できる推論が可能であることが示された。
• 探索的要因分析は共変量空間の次元を効果的に低減し、モデル適合度や検出力に悪影響を及げることなく、計算効率を向上させた。
• 大規模で相関の強い共変量プールを扱う状況では、従来のSEMベースの手法に比べて、本手法が計算上の実行可能性に優れていた。
• 本手法は実縦断的数学学力データに成功裏に適用され、ベースライン要因と関連する意味のある推移クラスが明らかになった。