Growth mixture modeling (GMM) is an analytical tool for identifying multiple unobserved sub-populations of longitudinal processes. In particular, it describes change patterns within each latent sub-population and examines between-individual differences in within-individual change for each sub-group. One research interest in utilizing GMMs is to explore how covariates affect such heterogeneity in change patterns. Liu and Perera (2022c) extended mixture-of-experts (MoE) models, which mainly focus on time-invariant covariates, for allowing the covariates to account for within-group and between-group differences simultaneously and examining the heterogeneity in nonlinear trajectories. The present study further extends Liu and Perera (2022c) and examines the effects on trajectory heterogeneity of time-varying covariates (TVCs). Specifically, we propose methods to decompose a TVC into a trait feature (e.g., the baseline value of the TVC) and a set of state features (e.g., interval-specific slopes or changes). The trait features are allowed to account for within-group differences in growth factors of trajectories (i.e., trait effect), and the state features are allowed to impact observed values of a longitudinal process (i.e., state effect). We examine the proposed models using a simulation study and a real-world data analysis. The simulation study demonstrated that the proposed models are capable of separating trajectories into several clusters and generally generating unbiased and accurate estimates with target coverage probabilities. With the proposed models, we showed the heterogeneity in the trait and state features of reading ability across latent classes of students' mathematics performance. Meanwhile, the trait and state effects on mathematics development of reading ability are also heterogeneous across the clusters of students.


翻译:增长混合模型( GMM ) 是一个分析工具,用于确定跨纵向进程的多个未观测到的子群。 特别是, 它描述每个潜在亚群内部的变化模式, 并检查每个亚群个人内部变化中的个体差异。 一个研究兴趣是探索共同变异如何影响变化模式中的这种异质性。 Liu 和 Perera (2022c) 扩展的专家混合模型(MOE) 主要侧重于时间变量, 允许同级变量同时计算小组内部和群体之间的差异, 并检查非线性轨迹中的个人变化差异。 本研究进一步扩展了Liu和 Perera (2022c), 并考察了对时间变化模式( TVC ) 轨迹变异性的影响。 我们提出了将TVC 转换成一个特性( 例如, TVC 的基线值) 的方法, 以及一组状态特征( 例如, 分级变异性变异性变异性变异性读数或变异性) 。 变异性的能力特征可以用来计算进化模型 。, 和变异性变异性变异性变变变变变变变变的模型 。, 。 变变变的变 变变变变变变变变的变 变 变变的变 变 变的变变变变变变 变 变 变 变 变变变变变变变变变变 变 变 变 变 变 变 变 变 变 变 变 变 变 变变变 变 变 变变 变 变 变 变 变 变变 变 变 变变变变变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变 变变变变

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
72+阅读 · 2022年6月28日
专知会员服务
50+阅读 · 2020年12月14日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
17+阅读 · 2019年3月28日
VIP会员
相关VIP内容
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
72+阅读 · 2022年6月28日
专知会员服务
50+阅读 · 2020年12月14日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员