[論文レビュー] multilevLCA: An R Package for Single-Level and Multilevel Latent Class Analysis with Covariates

Johan Lyrvall, Roberto Di Mari+3 more|arXiv (Cornell University)|May 12, 2023

Advanced Statistical Methods and Models被引用数 5

ひとこと要約

この論文は、共変数を伴う単一レベルおよび多段階の潜在クラス分析の同時および2段階推定を可能にするRパッケージmultilevLCAを紹介する。固定効果およびランダム効果モデルをサポートし、半自動的なモデル選択、クラス所属の予測、可視化ツールを提供する。社会科学研究におけるカテゴリカルデータのためのユーザーフレンドリーで効率的な推定と高度な多段階モデリングを統合することで、RベースのLCAソフトウェアにおける重要な空白を埋める。

ABSTRACT

This contribution presents a guide to the R package multilevLCA, which offers a complete and innovative set of technical tools for the latent class analysis of single-level and multilevel categorical data. We describe the available model specifications, mainly falling within the fixed-effect or random-effect approaches. Maximum likelihood estimation of the model parameters, enhanced by a refined initialization strategy, is implemented either simultaneously, i.e., in one-step, or by means of the more advantageous two-step estimator. The package features i) semi-automatic model selection when a priori information on the number of classes is lacking, ii) predictors of class membership, and iii) output visualization tools for any of the available model specifications. All functionalities are illustrated by means of a real application on citizenship norms data, which are available in the package.

研究の動機と目的

• 共変数を伴う多段階潜在クラス分析のための包括的で使いやすいRパッケージの不足に対処すること。
• アルゴリズムの安定性と収束速度を向上させるために、同時に推定と2段階推定の両方の戦略を実装すること。
• 事前に潜在クラスの数が不明な場合の半自動的なモデル選択を提供すること。
• クラス所属の予測とクラス間の反応確率の可視化を可能にすること。
• 特に調査および国際的比較研究において、多段階データ構造における固定効果およびランダム効果アプローチをサポートすること。

提案手法

• 潜在クラスモデルにおける収束を改善するための洗練された初期化戦略を用いた最尤推定。
• 測定モデルの推定と構造モデルの推定を分離する2段階推定器を実装し、安定性と速度を向上。
• 固定効果およびランダム効果の両方の多段階モデリングをサポートし、後者はグループレベルのランダム効果を柔軟に非パラメトリックにモデル化を可能にする。
• 複数のクラスおよびグループレベルの構成におけるBIC、AIC、ICL基準を用いた半自動的なモデル選択を統合。
• カスタマイズ可能なラベルを備えたクラスプロファイル可視化ツールを提供し、反応確率の解釈可能な提示を可能にする。
• 個人およびグループレベルの両方で共変数を含め、クラス所属の予測因子をモデル化することを可能にする。

実験結果

リサーチクエスチョン

• RQ1 潜在クラスの数が事前に不明な場合、Rで多段階潜在クラスモデルと共変数を効率的に推定する方法は何か？
• RQ2 特にバイアス、効率性、収束性の観点から、同時推定と2段階推定の相対的利点は何か？
• RQ3 潜在クラスの数に関する事前の知識がない場合、どのようにモデル選択を自動化できるか？
• RQ4 共変数を伴う多段階LCAにおいて、クラス所属の予測と可視化はどの程度可能か？
• RQ5 既存のRパッケージと比較して、multilevLCAは複雑な多段階LCAと共変数をサポートする点でどのように優れているか？

主な発見

• multilevLCAにおける2段階推定器は、1段階最尤推定と比較してほぼ不偏推定を達成し、効率損失も最小限に抑えつつ、アルゴリズムの安定性が高く、収束が速い。
• 市民意識規範データの最適モデルは、低レベルで3クラス、高レベルで2クラス（iT=3, iM=2）であり、BICは881,252.15、ICL-BICは936,851.08であった。
• 選択されたモデルは、3つの明確な若年層の市民意識プロファイルを同定した：最初の個人に対して「最大」（25%の確率）、「参加的」（75%の確率）、「受動的」（0%の確率）。
• パッケージはクラス間の反応確率を効果的に可視化し、'最大'、'参加的'、'受動的'といったカスタムラベルの使用により解釈性が向上した。
• poLCA、glca、stepmixrといった既存のRパッケージに比べ、multilevLCAは共変数を伴う多段階モデル、両方の推定タイプ、および統合されたフレームワーク内でのモデル選択をサポートする点で優れている。
• わずかなコード修正によりバイアス補正付き3段階推定が可能となり、特に差分項目機能や直接効果分析などの高度な手法的応用への応用性が拡張された。