论文部分内容阅读
潜在剖面分析(Latent profiles analysis, LPA)是根据外显的行为指标来判断个体的潜在特征分类,探讨潜在异质性的方法,目前逐渐被应用于社会、人格、临床和教育测量等心理学领域。正确的类别数是探测真实的群体异质性的关键,潜在类别数的选择对模型结果的实质性解释有很大的影响。最常见的确定潜在类别数的模型选择检验方法有三类:信息评价准则(Information-basedCriteria,IC),似然比检验方法(Likelihood Ratio Test, LRT),以及基于分类不确定性的标准(Classification Uncertainty, CU)。本研究创设了不同因素组合的情境,对三种方法下代表性拟合指数选择模型的表现进行了综合考量,通过蒙特卡罗方法模拟了不同因素组合:外显指标数(I=5,10)、样本量(N=250,500,1000,2000)、指标相关性(r=0,0.4)、类别比例(?=0.33/0.33/0.34,0.19/0.37/0.44,0.06/0.16/0.78),共2×2×3×4=48种组合水平,每种组合模拟100次,其中,总体参数设定潜在类别为3,类间距离采用马氏距离为2,外显指标的总体方差为1。所有数据模拟生成与分析使用Mplus 7.0,后续Logistic分析使用SPSS 21.0。结果表明:(1)总体而言,所有的拟合指数表现都不算太好;相较而言,LMR和a LMR的表现最优,BIC、CAIC表现次之;AIC和熵并非用于LPA模型选择的好指数。当模型的外显指标较少时,建议使用IC方法,尤其是CAIC作为模型选择的参考指数;当外显指标较多时,LMR和a LMR则为最佳选择。(2)外显指标数、样本量、指标相关性、类别比例及其不同的组合水平均对拟合指数的表现存在影响,且效应值大小远在中等以上(OR>2.5)。与其他拟合指数相较,LMR和a LMR是比较稳定的指数,AIC、BIC、SABIC、CAIC及ICL-BIC的表现更易受到影响。增多外显指标、保证指标间的相互独立对拟合指数进行模型选择有积极作用,且可以弥补有限条件(如较小的样本量)的不足。模型中存在小类别会对拟合指数表现有较大的消极影响,当有一个或以上小类别存在(?(27)0.1)时,研究者需要质疑类别选择的合理性,此时需要保证样本量充足、外显指标数充足且保持相互独立。