Análisis de clases latentes como técnica de identificación de tipologías

Abstract

RESUMENEn 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.Palabras clave análisis de clases latentes; análisis de clúster jerárquico; variable latente categórica; BIC; AIC ABSTRACTLatent Class Analysis as a typology identification technique. In Psychology, it is common to find situations in which some kind of classification of people in subgroups or classes is needed. There are multivariate analysis techniques such as Hierarchical Cluster Analysis (HCA) that are commonly used for this purpose. Currently, there is a growing interest in the technique of Latent Class Analysis (LCA), although it is a relatively little known and used technique. Several authors have pointed out that the LCA has important advantages with respect to HCA, especially that the LCA allows for measures of goodness of fit. The aim of this paper is to present several applications of the LCA both from a simulation study and from real data and compare the performance of this technique against the HCA. The results from the simulation indicate that the LCA has a high performance to detect class structures. The results of the study from real data show that the different classes or mixtures present in the data may be overlapping, which makes grouping classes more difficult when applying LCA. The HCA can be a good analysis tool for the applied researcher since it can guide on the best model of LCA that should be interpreted. In research contexts in which the theoretical model is not clear, it is recommended to use both techniques in order to seek convergence of results.

Perceived Competence and Intrinsic Motivation in Mathematics: Exploring Latent Profiles

“…The technique of latent class analysis is particularly effective for identifying non-linear qualitative differences between motivational aspects, condensing data into a more manageable, easier-to-interpret form without excluding information which is important about the relationships between variables. In contrast to traditional cluster analyses, LPA uses less arbitrary, more precise criteria to determine how many groups there are in a sample, producing statistical parameters that allow the model that best fits the data to be selected [18].…”

Acculturation and adaptation of adolescents with immigrant backgrounds in Spain: psychosocial profiles of latent classes (Aculturación y adaptación de adolescentes de origen inmigrante en España: perfiles psicosociales de clases latentes)

“…To evaluate the models’ goodness of fit, the Bayesian information criterion ( BIC ) and the Akaike information criterion ( AIC ) were used, as well as the variations on the latter ( AIC3 and CAIC ), based on the log-likelihood ( LL ) function. Because the BIC is less sensitive to sample size (Ondé & Alvarado, 2019) and the CAIC is stricter in choosing the most parsimonious model than the AIC (Caballero, 2011), both were used as the main fit indices. In all of them, the lower the value of these parameters, the better the model’s fit and the more parsimonious it is.…”

“…Para evaluar la bondad de ajuste de los modelos, se utilizaron el criterio de información bayesiana ( BIC ) y de Akaike ( AIC ), y las variantes de este último ( AIC3 y CAIC ), todas basadas en los valores de log-verosimilitud ( LL ). Debido a que el BIC es menos sensible al tamaño muestral (Ondé & Alvarado, 2019) y el CAIC es más estricto que el AIC a la hora de seleccionar el modelo más parsimonioso (Caballero, 2011), ambos se usaron como principales índices de ajuste. En todos ellos, a menor valor de estos parámetros, mejor ajuste del modelo considerado y más parsimonioso.…”