王孟成 邓俏文 毕向阳 叶浩生 杨文登

    (1广州大学心理系; 2广州大学心理测量与潜变量建模研究中心; 3广东省未成年人心理健康与教育认知神经科学实验室,广州 510006) (4中国政法大学社会学院, 北京 102249)

    1 引言

    以结构方程模型为代表的潜变量建模方法在心理学和社会科学各领域得到了广泛的应用(侯杰泰, 温忠麟, 成子娟, 2004; 王孟成, 2014)。然而在传统的结构方程模型中, 研究的样本通常假设来自同质性(Homogeneity)群体, 但这一假设在很多情况下并不成立。不同质群体的结构方程建模可以使用多组分析(Multiple-Group Analysis)或多指标多因模型(MIMIC) (侯杰泰等, 2004)。不过这种处理的前提是存在明确的分组变量, 最多见的分组变量如性别、种族和宗教信仰等。但更多时候, 往往很难找到客观的外显分组变量, 最常见的例子就是心理疾病的诊断(e.g., Helzer, Kraemer, & Krueger, 2006;Widiger & Samuel, 2005; Zachar & Kendler, 2007)。目前的心理疾病诊断通常以患者满足某种疾病最低的症状数目为确诊依据即采用类型(Categorical)标准将个体分为异常和正常。然而实证研究的结果通常并不支持这种诊断划分(e.g., Widiger, Livesley,& Clark, 2009), 即心理疾病不是有或无的类别。在不存在明确的分组变量的情况下, 不同质群体(即异质群体)的划分是隐蔽的、潜在的, 因此需要通过基于模型的方法对潜在分组进行估计。

    在统计学上, 为了处理潜在分组问题, 研究者提出了多种统计模型, 比如Taxometric分析法(Meehl,1995; Ruscio, Haslam, & Ruscio, 2006)和潜类别/潜剖面分析(McLachlan & Peel, 2000)。由于Taxometric方法在处理存在两个以上的潜在群体方面存在很大的局限性(Lubke & Miller, 2015; Lubke & Tueller,2010), 潜类别/潜剖面分析是目前将人群分成不同潜在组最流行的方法(McClintock, Dale, Laumann,& Waite, 2016; Mokros et al., 2015; 王孟成, 毕向阳, 叶浩生, 2014)。

    潜类别分析(Latent Class Analysis, LCA)或潜类别模型(Latent Class Model, LCM)是通过个体在观测变量上的反应模式将其划分成不同的潜类别组, 与聚类分析在功能上类似, 只是LCA是基于模型的聚类方法, 因此也称作潜聚类分析(latent cluster analysis) ......