Impact of Misspecifications of the Latent Variance–Covariance and Residual Matrices on the Class Enumeration Accuracy of Growth Mixture Models
Notice bibliographique
Résumé
This series of simulation studies was designed to assess the impact of misspecifications of the latent variance–covariance matrix (i.e., ) and residual structure (i.e., ) on the accuracy of growth mixture models (GMMs) to identify the true number of latent classes present in the data. Study 1 relied on a homogenous (1-class) population model. Study 2 relied on a population model in which the latent variance–covariance matrix is constrained to be 0 Study 3 relied on a population model in which the latent variance–covariance matrix was specified as invariant across classes Finally, Study 4 relied on a more realistic specification of the latent variance–covariance matrix as different across classes In each of these studies, we assessed the class enumeration accuracy of GMMs as a function of different types of estimated model (6 models corresponding to the 3 types of population models used to simulate the data and involving the free estimation of the residual structure across latent classes or not) and 4 design conditions (within-class residual matrix, sample size, mixing ratio, class separation). Overall, our results show the advantage of relying on models involving the free estimation of the and matrices within all latent classes. However, based on the observation that inadmissible solutions occur more frequently in these models than in more parsimonious models, we propose a more comprehensive sequential strategy to the estimation of GMM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,078 | 0,373 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».