Advances in Latent Class Analysis: A Festschrift in Honor of C. Mitchell Dayton (HC) (Cilvr Latent Variable Methodology)

تحلیل کلاس پنهان چیست؟ اگر این سوال را سی یا چهل سال پیش می پرسیدید، پاسخی متفاوت از امروز می گرفتید. نزدیک‌تر به زمان آغاز، تحلیل کلاس پنهان عمدتاً به عنوان یک تکنیک تجزیه و تحلیل داده‌های طبقه‌بندی دیده می‌شد، که اغلب به عنوان یک مدل تحلیل عاملی در نظر گرفته می‌شد که در آن هم شاخص‌های متغیر اندازه‌گیری شده و هم متغیرهای پنهان زیربنایی طبقه‌بندی می‌شوند. با این حال، امروزه در چارچوب ترکیبی و مدل‌سازی تشخیصی بسیار گسترده‌تر قرار دارد و متغیرهای اندازه‌گیری شده و نهفته را که ممکن است طبقه‌بندی شده و/یا پیوسته باشند، ادغام می‌کند، و در آن کلاس‌های نهفته برای تعریف زیرجمعیت‌هایی که بسیاری از جنبه‌های مدل متغیر کانونی اندازه‌گیری شده و نهفته برای آنها خدمت می‌کنند، قرار دارد. ممکن است متفاوت باشد.

برای انجام این جهش‌های رشدی، تجزیه و تحلیل کلاس نهفته نیازمند مشارکت‌هایی است که قطعاً روش‌شناختی و همچنین آموزشی بودند. در میان رهبران هر دو جبهه، سی. میچل \"چان\" دیتون از دانشگاه مریلند بود که کارش در تجزیه و تحلیل کلاسهای پنهان چندین دهه به گسترش روش و رسیدن به پتانسیل فعلی کمک کرد. حجم کنونی مجموعه Center for Integrated Latent Variable Variable (CILVR)منعکس کننده تنوعی است که امروزه تجزیه و تحلیل کلاس نهفته است و کارهای مربوط به، امکان پذیر شده، و الهام گرفته از مشارکت ها و سیگنال دهی چان را نشان می دهد. آینده هیجان انگیزتری که هنوز در راه است.

What is latent class analysis? If you asked that question thirty or forty years ago you would have gotten a different answer than you would today. Closer to its time of inception, latent class analysis was viewed primarily as a categorical data analysis technique, often framed as a factor analysis model where both the measured variable indicators and underlying latent variables are categorical. Today, however, it rests within much broader mixture and diagnostic modeling framework, integrating measured and latent variables that may be categorical and/or continuous, and where latent classes serve to define the subpopulations for whom many aspects of the focal measured and latent variable model may differ.

For latent class analysis to take these developmental leaps required contributions that were methodological, certainly, as well as didactic. Among the leaders on both fronts was C. Mitchell "Chan" Dayton, at the University of Maryland, whose work in latent class analysis spanning several decades helped the method to expand and reach its current potential. The current volume in the Center for Integrated Latent Variable Research (CILVR) series reflects the diversity that is latent class analysis today, celebrating work related to, made possible by, and inspired by Chan's noted contributions, and signaling the even more exciting future yet to come.