Hej alle
Jeg kan ikke se at Vermunt`s LEM kan gemme klassetilhør for cases - er det mig der overser noget? i LEM kan klassernes struktur findes og det er fint, men hvis klasserne skal kobles til demo- eller andre variable, er der et problem eller? Måske er der også nogen der ved hvorfor Two-step hierarchical cluster ikke er "ligeså stærk" i beregningen af klasser som Latent Gold? Det skriver Hollensen & Schmidt 2006. Latent klasse algoritmen i LG er bedre dokumenteret anfører de - men hvorfor?

På forhånd tak
Christian

Hej Christian

LEM kan sagtens estimere klassetilhørsforhold for cases. Men det kommer lidt an på hvad du mener. LEM kan - udover den almindelige latentklassemodel - estimere en regressionsmodel, hvor sandsynligheden for at tilhøre en bestemt latent klasse estimeres som en funktion af andre variable (køn, alder, etc.). Der burde stå noget herom i LEM-manualen, ellers kan det nok googles (lem, latent class regression). Eller kan du beregne hver observations posterior probability for at tilhøre en klasse manuelt - jeg kan ikke lige huske formlen men det burde - givet modelparametrene - kunne lade sig gøre.

Jeg er ikke ekspert i hierachical clustering-modeller, men så vidt jeg ved er de ikke baseret på en egentlig statistisk model men deromod på en datamining-algoritme. Det er måske derfor de ikke er så stærke som den almindelige latentklassemodel. Latent Gold (programmet) er i øvrigt bare LEM med en brugervenlig interface på (Vermunt igen ...). Latent Gold kan ikke mere end LEM - snarere tværtimod fordi LEM kan programmeres til alt muligt sært.

Mvh.

Mads