Diferenciar entre los enfoques de efectos mixtos y de curva latente para modelar el crecimiento

En psicología, los modelos de efectos mixtos y los modelos de curva latente son ampliamente utilizados para explorar el crecimiento a lo largo del tiempo. A pesar de esta popularidad generalizada, persiste cierta confusión con respecto a la superposición de estos diferentes enfoques. Artículos recientes han demostrado que los dos marcos de modelado son matemáticamente equivalentes en muchos casos, lo que a menudo se interpreta como que la elección del marco de modelización es simplemente una cuestión de preferencia personal. Sin embargo, algunas diferencias importantes en la estimación y la especificación pueden llevar a que los modelos produzcan resultados muy diferentes cuando se implementan en el software. Por lo tanto, la equivalencia matemática no necesariamente equivale a la equivalencia práctica en todos los casos. En este artículo, discutimos estos dos enfoques comunes para modelar el crecimiento y resaltar contextos en los cuales la elección del marco de modelado (y, en consecuencia, el software) puede impactar directamente las estimaciones del modelo, o en el que ciertos análisis pueden ser facilitados en un marco sobre el otro. Mostramos que, a menos que los datos sean prístinos, con un gran tamaño de muestra, crecimiento lineal o polinomial, y no falten datos, ya menos que los participantes tengan el mismo número de mediciones recopiladas en el mismo conjunto de puntos de tiempo, un marco suele ser más ventajoso para adoptar. Proporcionamos varios ejemplos empíricos para ilustrar estas situaciones, así como un amplio código de software para que los investigadores puedan tomar decisiones informadas con respecto a qué marco será el más beneficioso y más directo para sus intereses de investigación.

Para acceder al texto completo consulte las características de suscripción de la fuente original:https://link.springer.com/