Dynamic Latent Class Structural Equation Modeling: A Hands-On Tutorial for Modeling Intensive Longitudinal Data
动态潜在类别结构方程模型：密集纵向数据建模实操教程AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确涉及密集纵向数据、多层模型和时间序列分析，因此对应面板与时间序列方法方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
动态潜在类别结构方程模型：密集纵向数据建模实操教程
- 研究问题
- 论文面向应用研究者，说明如何分析密集纵向数据中的动态关系和潜在状态差异，并将复杂模型落实为可运行的贝叶斯分析。
- 方法与思路
- 作者以临床心理数据贯穿教程，从验证性因子和时间序列模块逐步扩展到多层、动态结构方程及隐马尔可夫切换模型。
- 材料陈述的贡献
- 摘要所述贡献是一套在 JAGS 中实现动态潜在类别结构方程模型的分步教程，各模块包含假设、模型、实现及结果解释。
- 阅读关注点
- 应核对纵向层级与潜在状态的设定、测量模型识别、先验和计算诊断，以及示例中的动态参数究竟支持何种实质解释。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供具体估计结果，也不能据此将治疗相关关系解释为因果效应。
原文摘要
In this tutorial, we provide a hands-on guideline on how to implement complex Dynamic Latent Class Structural Equation Models (DLCSEM) in the Bayesian software JAGS. We provide building blocks starting with simple Confirmatory Factor and Time Series analysis, and then extend these blocks to Multilevel Models and Dynamic Structural Equation Models (DSEM). Subsequently, we introduce Hidden Markov Switching Models (HMSM) and demonstrate their integration with DSEM to yield DLCSEM. Leading through the tutorial is an example from clinical psychology using data on a generalized anxiety treatment that includes scales on anxiety symptoms and the Working Alliance Inventory that measures alliance between therapists and patients. Within each block, we provide an overview, specific hypotheses we want to test, the resulting model and its implementation, as well as an interpretation of the results. The aim of this tutorial is to provide a step-by-step guide for applied researchers that enables them to use this flexible DLCSEM framework for their own analyses.