Mixture modeling Holger Steinmetz and Peter Schmidt University of Giessen / Germany

  • Published on
    06-Apr-2015

  • View
    102

  • Download
    0

Embed Size (px)

Transcript

  • Folie 1
  • Mixture modeling Holger Steinmetz and Peter Schmidt University of Giessen / Germany
  • Folie 2
  • berblick Beobachtete vs. unbeobachtete Populationsheterogenitt Konzept der kategorialen latenten Variable Latent class analyse (LCA) und finite mixtures Anwendungsmglichkeiten Ein empirisches Beispiel: latent profile Analyse der 10 Werthaltungen (Schwartz, 1992) und Zusammenhnge mit demografischen Variablen
  • Folie 3
  • Beobachtete vs. unbeobachtete Populationsheterogenitt Gibt es Subpopulationen mit unterschiedlichen Parametern? Parameter: - Antwortwahrscheinlichkeiten - Verteilungsmittelwerte und varianzen - Modellparameter (Faktorladungen, Regressionskoeffizienten etc.) Beobachtete Heterogenitt - Gruppenzugehrigkeit ist bekannt - Analysen: t-Test, ANOVA, multigroup-Analysen
  • Folie 4
  • Beobachtete vs. unbeobachtete Populationsheterogenitt Unbeobachtete Heterogenitt: Gruppenzugehrigkeit ist unbekannt Ziele des mixture modeling: - Wieviele Subpopulationen (latent classes) gibt es? - Welche Parameter gelten in ihnen? - Zuordnungswahrscheinlichkeiten fr die Individuen der Stichprobe Anwendungsgebiete: - Klinische Psychologie: Psychische Strungen als latente Klassen - Marktforschung: Marktsegmentierung - Pdagogische Psychologie: Mastery-Typen in der Schule
  • Folie 5
  • Latent Class Analyse (LCA) Begrndet durch Lazarsfeld und Henry (1968), Goodman (1974), Clogg (1995) u.a. Dichotome / binre items (u j ) C U C = latente kategoriale Variable mit 1, 2, k Kategorien Ziele / Ergebnis: - Klassenspezifische Wahrscheinlichkeiten: P(u=1 | c=k) Beispiel zwei Klassen (k = 2): c=1 P c=1 (u = 1) =.85 c=2 P c=2 (u = 1) =.40 - Wahrscheinlichkeit der Klassenzugehrigkeit: P(c = k) - Posterior-Wahrscheinlichkeit: P(c=k | u=1)
  • Folie 6
  • Latent Class Analyse (LCA) Erweiterung: Die latente Klassenvariable erklrt die Kovarianz mehrerer Items (lokale stochastische Unabhngigkeit) C U1U1 U2U2
  • Folie 7
  • Latent Class Analyse (LCA) 5%8% 9%78% U 1 : Kontollverlust beim Trinken von Alkohol? janein ja nein U 2 : Blackout nach dem Trinken?
  • Folie 8
  • Latent Class Analyse (LCA) Klasse 1: Normale Trinker Klasse 2: Problemtrinker 78%9% 8%5% janein ja nein Kontrollverlust Blackout C Kontrollverlust Blackout
  • Folie 9
  • Latent Class Analyse (LCA) 78%9% 8%5% janein ja nein Kontrollverlust Blackout C Kontrollverlust Blackout 86%5% 10%1% janein ja nein Kontrollverlust Blackout 1%9% 11%79% janein ja nein Kontrollverlust Blackout Normale TrinkerProblemtrinker P(c=k) :.85.15
  • Folie 10
  • Latent Class Analyse (LCA) Normale Trinker Problem- trinker Kontrollverlust.24.761.0 Blackout.39.611.0 Posterior-Wahrscheinlichkeiten P(c=k | u=1) 78%9% 8%5% janein ja nein Kontrollverlust Blackout C Kontrollverlust Blackout
  • Folie 11
  • Latent Profile Analyse (LPA) LCA mit kontinuierlich verteilten Items Die Klassen unterscheiden sich in ihren Mittelwerten Quelle: Bauer, D. J., & Curran, P. J. (2004). The integration of continuous and discrete latent variable models: Potential problems and promising opportunities. Psychological Methods, 9 (1), 3-29. Common factor model
  • Folie 12
  • Latent Profile Analyse (LPA) LCA mit kontinuierlich verteilten Items Die Klassen unterscheiden sich in ihren Mittelwerten Quelle: Bauer, D. J., & Curran, P. J. (2004). The integration of continuous and discrete latent variable models: Potential problems and promising opportunities. Psychological Methods, 9 (1), 3-29. Common factor model LPA
  • Folie 13
  • Mixture modeling
  • Folie 14
  • 2 1 1 2 Mixture modeling
  • Folie 15
  • Folie 16
  • 2 1 1 2
  • Folie 17
  • 2 1 1 2 Likelihood fr Person i = 1* f 1 (x) + 2* f 2 (x)
  • Folie 18
  • 2 1 Mixture modeling Likelihood fr Person i = 1* f 1 (x) + 2* f 2 (x) 1 2
  • Folie 19
  • 2 1 1 2 Mixture modeling Likelihood fr Person i = 1* f 1 (x) + 2* f 2 (x)
  • Folie 20
  • 2 1 1 2 Mixture modeling Likelihood fr Person i = 1* f 1 (x) + 2* f 2 (x)
  • Folie 21
  • 2 1 1 2 Mixture modeling Likelihood fr Person i = 1* f 1 (x) + 2* f 2 (x)
  • Folie 22
  • 2 1 1 2 Mixture modeling Likelihood fr Person i = 1* f 1 (x) + 2* f 2 (x)
  • Folie 23
  • 2 1 1 2 Mixture modeling Likelihood fr Person i = 1* f 1 (x) + 2* f 2 (x)
  • Folie 24
  • 2 1 1 2 Mixture modeling
  • Folie 25
  • u1 u2 u3 u4 C Erweiterungen der finite mixtures x
  • Folie 26
  • Mixture Regressionsanalyse x2 Y X1 C=1 C=2 u1 u2 u3 u4 y x1 C
  • Folie 27
  • Erweiterungen der finite mixtures C Mixture CFA x1 x2 x3 x4
  • Folie 28
  • Erweiterungen der finite mixtures Mixture SEM y1 y2 y3 y4 x1 x2 x3 x4 C
  • Folie 29
  • Erweiterungen der finite mixtures Mixture Growth curve model X T1X T2X T3X T4 Intcpt.Slp C Slp 2
  • Folie 30
  • Evaluation der Klassenanzahl Fitmae - Likelihood-ratio test: Nicht anwendbar - Vuong-Lo-Mendell-Rubin LR-Test - BIC = -2 logL + Anzahl der Parameter * ln(n) Gte der Klassifikation: Entropie
  • Folie 31
  • Evaluation der Klassenanzahl
  • Folie 32
  • Fitmae - Likelihood-ratio test: Nicht anwendbar - Vuong-Lo-Mendell-Rubin LR-Test - BIC = -2 logL + Anzahl der Parameter * ln(n) Gte der Klassifikation: Entropie Plausbilitt
  • Folie 33
  • Stichprobe: N = 1677 Personen aus der allgemeinen erwerbsttigen Bevlkerkung Messinstrument - Portraits Values Questionnaire (Schwartz, 2001) - Demografische Merkmale (Geschlecht, Alter, Bildung) Ein empirisches Beispiel: Latent profile analyse von Werthaltungen
  • Folie 34
  • Universalism Benevolence Conformity Tradition SecurityPower Achievement Hedonism Stimulation Self- direction Self-transcendenceOpenness to Change Conservation Self-enhancement
  • Folie 35
  • Ein empirisches Beispiel: Latent profile analyse von Werthaltungen Pow AchSDHed Stim Ben Uni Trad Sec Con Bildung dummy2 Geschlecht Alter Bildung dummy1 C
  • Folie 36
  • Ein empirisches Beispiel: Latent profile analyse von Werthaltungen LC112% Wichtig: Spa, Stimulation, Selbstbestimmung Unwichtig: Sicherheit, Tradition und Konformitt, Benevolenz, Universalismus Hedonisten LC234%Alles unwichtigNihilisten LC329% Wichtig: Benevolenz, Universalismus, Sicherheit Unwichtig: Leistung, Stimulation, Selbstbestimmung und Macht Altruisten LC425%Alles wichtigJa-Sager
  • Folie 37
  • Ein empirisches Beispiel: Latent profile analyse von Werthaltungen
  • Folie 38
  • Folie 39