Análisis de clases latentes como técnica de identificación de tipologías
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumo
En Psicología es frecuente encontrar situaciones en las que se necesita realizar algún tipo de clasificación de personas en subgrupos o clases. Existen técnicas de análisis multivariado como el Análisis Clúster Jerárquico (HCA) que se utilizan habitualmente para este fin. Actualmente, existe un interés creciente por la técnica de Análisis de Clases Latentes (LCA), si bien es una técnica relativamente poco conocida y utilizada. Varios autores han destacado que el LCA presenta importantes ventajas respecto al HCA, en especial que el LCA permite obtener medidas de bondad de ajuste. El objetivo de este trabajo es presentar varias aplicaciones del LCA tanto a partir de un estudio de simulación como a partir de datos reales, y comparar el desempeño de esta técnica frente al HCA. Los resultados a partir de la simulación indican que el LCA tiene una elevada capacidad para detectar estructuras de clase. Los resultados del estudio a partir de datos reales muestran que las distintas clases o mixturas presentes en los datos pueden estar solapadas, lo que dificulta la agrupación de clases al aplicar LCA. El HCA puede ser una buena herramienta de análisis para el investigador aplicado, ya que puede orientar sobre el mejor modelo de LCA que se debería interpretar. En contextos de investigación en los que el modelo teórico no es claro, se recomienda utilizar ambas técnicas con el fin de buscar convergencia de resultados.
Downloads
##plugins.themes.bootstrap3.article.details##
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: —se debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante (Atribución); — no se puede hacer uso del material con propósitos comerciales (No Comercial); — si se remezcla, transforma o crea a partir del material, no podrá distribuirse el material modificado (Sin Derivadas).
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Referências
Chen, X., Li, X., Stanton, B., et al. (2004). Patterns of cigarette smoking among students from 19 colleges and universities in Jiangsu Province, China: a latent class analysis. Drug and Alcohol
Dependency, 76, 53–163. https://doi.org/10.1016/j.drugalcdep.2004.04.013
Furberg, H., Sullivan, P.F., Bulik, C., Maes, H., Prescott, C.A., Kendler, K.S., & Lerman, C. (2005). The types of regular cigarette smokers: A latent class analysis. Nicotine & Tobacco Research, 7(3), 351-360. https://doi.org/10.1080/14622200500124917
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis. Pearson. Upper Saddle River, NJ.
Haughton, D., Legrand, P., & Woolford, S. (2009). Review of three latent class cluster analysis packages: Latent Gold, poLCA, and MCLUST. The American Statistician, 63(1), 81-91.
https://doi.org/10.1198/tast.2009.0016
Lazarsfeld, P., & Henry, N. (1968). Latent structure analysis. New York: Houghton-Mifflin.
Linzer, D.A., & Lewis, J.B. (2011). poLCA: An R package for polytomous variable latent class analysis. Journal of statistical software, 42(10), 1-29.
Magidson, J., and Vermunt, J.K. (2002). Latent class models for clustering: A comparison with K-means. Canadian Journal of Marketing Research, 20, 37-44.
Magidson, J., and Vermunt J.K. (2003). A nontechnical introduction to latent class models. White Paper. Statistical Innovations.
McCutcheon, A.L. (2002). Basic concepts and procedures in single and multiplegroup latent class analysis. In J.A. Hagenaars and A.L. McCutcheon (eds.), Applied Latent Class Analysis (pp. 56–87). Cambridge University Press. Cambridge.
Nylund, K.L., Asparouhov, T., & Muthén, B.O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural equation modeling: A multidisciplinary Journal, 14(4), 535-569.
https://doi.org/10.1080/10705510701575396
Poletto, L., Pezzotto, S.M., Morini, J., & Andrade, J. (1991). Prevalencia del hábito de fumar en jóvenes y sus padres: asociaciones relevantes con educación y ocupación. Revista de Saúde Pública, 25, 388-393.
R Development Core Team (2010). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.Rproject.
org.
Reyna, C., & Brussino, S. (2011). Revisión de los fundamentos del análisis de clases latentes y ejemplo de aplicación en el área de las adicciones. Trastornos Adictivos, 13(1), 11-19.
Sneath, P.H.A. & Sokal, R.R. (1973). Numerical Taxonomy. Freeman. San Francisco.
Vermunt, J.K., Magidson, J. (2002). Latent Class Cluster Analysis. In J.A. Hagenaars and A.L. McCutcheon (eds.), Applied Latent Class Analysis (pp. 89–106). Cambridge University Press. Cambridge.
Vermunt, J.K., Magidson, J. (2005). Latent GOLD [computer program on disk]. Version 4.0. Belmont: Statistical Innovations. USA.
von Davier, M., Naemi, B., & Roberts, R.D. (2012). Factorial versus typological models: A comparison of methods for personality data. Measurement: Interdisciplinary Research and Perspectives, 10(4), 185-208. https://doi.org/10.1080/15366367.2012.732798