[论文解读] Multilevel latent class analysis with covariates: Analysis of cross-national citizenship norms with a two-stage approach

Roberto Di Mari, Zsuzsa Bakk+2 more|arXiv (Cornell University)|Jul 20, 2023

Social and Cultural DynamicsSocial Sciences被引用 3

一句话总结

本文提出一种两阶段多层潜在类别分析（MLCA）方法，引入协变量以建模跨国公民规范，通过将类别枚举与协变量引入分离，稳定测量模型的估计。该方法在分层数据中提升了稳健性与可解释性，基于民主国家的IEA调查数据，识别出若干具有强实证支持的潜在类别，如“积极参与型”、“义务导向型”和“从属型”。

ABSTRACT

This paper focuses on the substantive application of multilevel LCA to the evolution of citizenship norms in a diverse array of democratic countries. To do so, we present a two-stage approach to fit multilevel latent class models: in the first stage (measurement model construction), unconditional class enumeration is done separately on both low and high level latent variables, estimating only a part of the model at a time -- hence keeping the remaining part fixed -- and then updating the full measurement model; in the second stage (structural model construction), individual and/or group covariates are included in the model. By separating the two parts -- first stage and second stage of model building -- the measurement model is stabilized and is allowed to be determined only by it's indicators. Moreover, this two-step approach makes the inclusion/exclusion of a covariate a relatively simple task to handle. Our proposal amends common practice in applied social science research, where simple (low-level) LCA is done to obtain a classification of low-level unit, and this is then related to (low- and high-level) covariates simply including group fixed effects. Our analysis identifies latent classes that score either consistently high or consistently low on all measured items, along with two theoretically important classes that place distinctive emphasis on items related to engaged citizenship, and duty-based norms.

研究动机与目标

• 为政治学与社会科学研究中缺乏稳健、偏差校正的多层潜在类别模型（含协变量）提供解决方案。
• 克服标准LCA在嵌套数据结构中的局限性，即个体单位被聚类于更高层级单位（如国家）中。
• 通过解耦类别枚举与协变量引入，稳定测量模型估计，避免分类偏差。
• 在多层LCA中灵活且可解释地纳入个体与群体层级协变量。
• 提供一种实用、分步估计的模型，保持统计严谨性，同时在复杂分层数据中具备计算可行性。

提出的方法

• 提出两阶段方法：首先，分别在低层级与高层级上独立估计无条件多层潜在类别模型（测量模型），在固定一个层级的同时估计另一个层级。
• 在各层级初始类别枚举后，通过迭代更新完整测量模型，确保模型稳定性。
• 在第二阶段，将个体与群体层级协变量引入结构模型，而不重新估计测量模型。
• 采用偏差校正、分步估计技术，避免显式分类步骤，降低对分类误差的敏感性。
• 在最终结构模型阶段，使用非参数自助法估计标准误。
• 利用BIC与对数似然值选择两层级的最优类别数，报告多个类别解的模型拟合统计量。

Figure 4: The basic latent class model (measurement model) at the lower level

实验结果

研究问题

• RQ1 在使用多层潜在类别分析分析跨国调查数据时，会浮现哪些公民规范的潜在类别？
• RQ2 个体层面特征（如性别、教育程度、语言背景）如何预测个体在不同公民规范类别中的归属？
• RQ3 国家层面因素如何影响各国公民规范类型分布？
• RQ4 在个体（低层级）与国家（高层级）层级上，最优潜在类别数是多少？
• RQ5 所提出的两阶段方法相较于标准多层LCA（含协变量）在模型稳定性与可解释性方面有何改进？

主要发现

• 两阶段方法通过解耦类别枚举与协变量引入，成功稳定了测量模型，降低了偏差，提升了模型可解释性。
• 基于BIC与对数似然值改进，选定五种类别（M=5）为低层级类别，三种类别（T=3）为高层级类别，其中五类模型在个体层级上拟合最佳。
• “积极参与型”类别（五类模型中的第二类）在政治参与、讨论与抗议方面的支持度最高，体现强烈的公民参与意识。
• “义务导向型”类别（第四类）强调法律服从、投票与对权威的尊重，体现规范性、规则导向的公民身份。
• “从属型”类别（第五类）在所有项目上的得分最低，表明公民参与度低，规范认同度弱。
• 发现显著协变量效应：女性更可能属于“主流型”或“积极参与型”类别，非母语者更不可能属于“积极参与型”或“义务导向型”类别，而更高的教育目标与“积极参与型”及“义务导向型”特征相关。

Figure 5: The basic latent class model (measurement model) at the lower level, with $T=5$ , and $M=3$ .