Analiza danych podłużnych Modelowanie latentnych krzywych rozwojowych

Abstract

Zjawiska leżące w obszarze zainteresowań psychologii mają bardzo często charakter dynamiczny. Wynika stąd konieczność stosowania schematów badawczych i analiz statystycznych umożliwiających identyfikację zmiany i jej charakterystykę. Artykuł prezentuje jedną z intensywnie rozwijających się aktualnie metod analizy zmiany: modelowanie latentnych krzywych rozwojowych (LGCM, latent growth curve modeling), będące jedną z odmian SEM (structural equation modeling). Zaletą LGCM jest dostarczanie informacji o dwóch aspektach analizowanej zmiany: jej przeciętnym („typowym”) przebiegu oraz indywidualnym zróżnicowaniu trajektorii zmiany. To odróżnia LGCM od tradycyjnych metod, jak ANOVA z powtarzanymi pomiarami czy analiza szeregów czasowych, które analizują zmianę na poziomie średniej tendencji w grupie. Dodatkowo LGCM umożliwia ocenę związku między wyjściowym poziomem zmieniającej się właściwości a przebiegiem zmiany. W artykule wyjaśniamy istotę LGCM, charakteryzujemy etapy przeprowadzania tej analizy, ilustrując je przykładami z badań oraz wskazujemy na dodatkowe możliwości tej metody analizy danych, jak modelowanie zmian krzywoliniowych, włączanie do modelu predyktorów czy modelowanie krzywych rozwojowych dla wielu grup.