[논문 리뷰] Hybridizing two-step growth mixture model and exploratory factor analysis to examine heterogeneity in nonlinear trajectories

Jin Liu, Robert A. Perera외 3명|arXiv (Cornell University)|2019. 11. 22.

Mental Health Research Topics인용 수 4

한 줄 요약

이 논문은 종단적 데이터에서 비선형 궤적 클래스를 식별하고 기초 공변량과의 관계를 밝혀내기 위해 성장 혼합 모델(GMM)과 탐색적 요인 분석(EFA)을 융합한 하이브리드 이단계 방법을 제안한다. GMM에 앞서 EFA를 적용하여 고차원적이고 상관관계가 높은 공변량을 감소시킴으로써, 교육 및 심리학 연구에서 이질적인 성장 패턴을 탐지하는 데 있어 계산 효율성과 모형 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 기초 공변량이 많고 상관관계가 높을 때 종단적 데이터에서 이질적인 비선형 성장 궤적을 식별하는 데 도전하는 문제를 해결하기 위해.
• 모형 선택이 복잡하고 가설 기반 가정이 종종 모호한 구조적 방정식 모델링(SEM) 프레임워크에서 모형 사양을 개선하고 계산 부담을 줄이기 위해.
• 사전에 정의된 모형에 의존하지 않고 잠재 궤적 클래스에 대한 공변량 효과를 탐색하기 위한 체계적이고 데이터 기반의 방법을 개발하기 위해.
• 고차원 공변량 공간에서의 현실적인 조건 하에서 성장 혼합 모델의 모수 추정 정확도와 정밀도를 향상시키기 위해.
• 실제 교육 데이터에서 하이브리드 방법의 유용성을 입증하기 위해, 특히 종단적 수학 성취도 연구에서의 적용을 중심으로.

제안 방법

• 이단계 접근법을 적용: 먼저 기초 공변량의 큰 집합에 대해 탐색적 요인 분석(EFA)을 수행하여 차원을 감소시키고 잠재 요인을 추출한다.
• 추출된 EFA 요인을 두 번째 단계의 이단계 성장 혼합 모델(GMM)의 예측 변수로 사용하여 고유한 비선형 궤적 클래스를 식별한다.
• 첫 번째 단계에서 EFA는 고차원적이고 상관관계가 높은 공변량 집합을 주요 변동 원인을 반영하는 더 작은 수의 상관관계가 없는 잠재 요인으로 변환한다.
• 두 번째 단계에서 GMM은 EFA에서 유도된 요인들을 공변량으로 사용하여 클래스 소속을 예측하고 비선형 성장 패턴을 모델링한다.
• 이 방법은 모형 사양을 데이터 기반으로 하고 계산 효율성을 확보하여 모든 가능한 공변량 조합을 테스트할 필요가 없도록 한다.
• 모의 연구를 통해 모수 복원도, 클래스 수 결정 정확도, 신뢰구간 커버리지 등을 평가하여 방법을 검증한다.

실험 결과

연구 질문

• RQ1 고차원 공변량을 가진 종단적 데이터에서 하이브리드 이단계 GMM-EFA 방법이 고유한 비선형 궤적 클래스를 효과적으로 식별할 수 있는가?
• RQ2 EFA 단계는 클래스 소속에 대한 예측 능력을 유지하면서 얼마나 효과적으로 공변량 공간의 차원을 감소시키는가?
• RQ3 상관관계가 높고 많은 공변량이 존재하는 상황에서 제안된 방법이 편향이 없고 정밀한 모수 추정을 제공하는가?
• RQ4 실제 표본 크기와 궤적 복잡성 조건 하에서 추정 모수의 적절한 신뢰구간 커버리지가 유지되는가?
• RQ5 종단적 교육 데이터에서 이질성을 탐색할 때,传통적인 SEM 기반 방법과 비교해 하이브리드 접근법은 계산 효율성과 모형 적합도 측면에서 어떻게 다른가?

주요 결과

• 제안된 이단계 GMM-EFA 방법은 고차원 공변량을 가진 종단적 데이터에서 비선형 변화 패턴을 높은 정확도로 군집화하는 데 성공했다.
• 모의 연구에서 궤적 성장 모수와 공변량 효과에 대한 모수 추정치는 편향이 없고 정밀도가 높았다.
• 방법은 적절한 신뢰구간 커버리지 성능을 보였으며, 추정 모수에 대한 신뢰할 수 있는 추론이 가능함을 시사했다.
• 탐색적 요인 분석은 공변량 공간의 차원을 효과적으로 감소시켜 계산 효율성을 향상시켰고, 모형 적합도나 탐지 능력에 손상을 주지 않았다.
• 큰 상관관계가 있는 공변량 풀을 다룰 때 전통적인 SEM 기반 방법에 비해 하이브리드 접근법이 계산 가능성이 뛰어났다.
• 실제 종단적 수학 성취도 데이터에 이 방법이 성공적으로 적용되어 기초 요인과 연관된 의미 있는 궤적 클래스를 드러냈다.