El análisis de clase latente es, de hecho, un modelo de mezcla finita (ver aquí ). La principal diferencia entre FMM y otros algoritmos de agrupación es que FMM le ofrece un enfoque de "agrupación basada en modelos" que deriva las agrupaciones utilizando un modelo probabilístico que describe la distribución de sus datos. Por lo tanto, en lugar de encontrar grupos con alguna medida de distancia elegida arbitrariamente, utiliza un modelo que describe la distribución de sus datos y, con base en este modelo, evalúa las probabilidades de que ciertos casos sean miembros de ciertas clases latentes. Por lo tanto, podría decir que es un enfoque de arriba hacia abajo (comienza describiendo la distribución de sus datos) mientras que otros algoritmos de agrupación son enfoques de abajo hacia arriba (encuentra similitudes entre los casos).
Debido a que utiliza un modelo estadístico para la selección de su modelo de datos, es posible evaluar la bondad del ajuste, al contrario de la agrupación. Además, si asume que hay algún proceso o "estructura latente" que subyace a la estructura de sus datos, entonces los FMM parecen ser una opción apropiada, ya que le permiten modelar la estructura latente detrás de sus datos (en lugar de buscar similitudes).
Otra diferencia es que los FMM son más flexibles que la agrupación. Los algoritmos de agrupación solo hacen agrupación, mientras que hay modelos basados en FMM y LCA que
- le permite hacer análisis confirmatorios entre grupos,
- Combina modelos de teoría de respuesta a ítems (y otros) con LCA,
- incluir covariables para predecir la membresía de clase latente de los individuos,
- y / o incluso modelos de regresión dentro del grupo en regresión de clase latente ,
- le permite modelar cambios a lo largo del tiempo en la estructura de sus datos, etc.
Para más ejemplos ver:
Hagenaars JA y McCutcheon, AL (2009). Análisis de clase latente aplicada. Prensa de la Universidad de Cambridge.
y la documentación de los paquetes flexmix y poLCA en R, incluidos los siguientes documentos:
Linzer, DA y Lewis, JB (2011). poLCA: un paquete R para análisis de clase latente variable politómica. Revista de software estadístico, 42 (10), 1-29.
Leisch, F. (2004). Flexmix: Un marco general para modelos de mezclas finitas y regresión de vidrio latente en R. Journal of Statistical Software, 11 (8), 1-18.
Grün, B. y Leisch, F. (2008). FlexMix versión 2: mezclas finitas con variables concomitantes y parámetros variables y constantes . Revista de software estadístico, 28 (4), 1-35.
inferences
en este contexto y por qué solo le interesan las diferencias de inferencia?