Análisis de clases latentes como técnica de identificación de tipologías

  1. Ondé Pérez, Daniel 1
  2. Alvarado Izquierdo, Jesús María 1
  1. 1 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

Revista:
International Journal of Developmental and Educational Psychology: INFAD. Revista de Psicología

ISSN: 0214-9877

Año de publicación: 2019

Título del ejemplar: SALUD, PSICOLOGÍA Y EDUCACIÓN

Volumen: 5

Número: 1

Páginas: 251-260

Tipo: Artículo

DOI: 10.17060/IJODAEP.2019.N1.V5.1641 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: International Journal of Developmental and Educational Psychology: INFAD. Revista de Psicología

Resumen

En 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.

Referencias bibliográficas

  • Chen, X., Li, X., Stanton, B., et al. (2004). Patterns of cigarette smoking among students from 19 colleges and universities in Jiangsu Province, China: a latent class analysis. Drug and Alcohol Dependency, 76, 53–163. https://doi.org/10.1016/j.drugalcdep.2004.04.013
  • Furberg, H., Sullivan, P.F., Bulik, C., Maes, H., Prescott, C.A., Kendler, K.S., & Lerman, C. (2005). The types of regular cigarette smokers: A latent class analysis. Nicotine & Tobacco Research, 7(3), 351-360. https://doi.org/10.1080/14622200500124917
  • Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis. Pearson. Upper Saddle River, NJ.
  • Haughton, D., Legrand, P., & Woolford, S. (2009). Review of three latent class cluster analysis packages: Latent Gold, poLCA, and MCLUST. The American Statistician, 63(1), 81-91.https://doi.org/10.1198/tast.2009.0016
  • Lazarsfeld, P., & Henry, N. (1968). Latent structure analysis. New York: Houghton-Mifflin.
  • Linzer, D.A., & Lewis, J.B. (2011). poLCA: An R package for polytomous variable latent class analysis. Journal of statistical software, 42(10), 1-29.
  • Magidson, J., and Vermunt, J.K. (2002). Latent class models for clustering: A comparison with K-means. Canadian Journal of Marketing Research, 20, 37-44.
  • Magidson, J., and Vermunt J.K. (2003). A nontechnical introduction to latent class models. White Paper. Statistical Innovations.
  • McCutcheon, A.L. (2002). Basic concepts and procedures in single and multiplegroup latent class analysis. In J.A. Hagenaars and A.L. McCutcheon (eds.), Applied Latent Class Analysis (pp. 56–87). Cambridge University Press. Cambridge.
  • Nylund, K.L., Asparouhov, T., & Muthén, B.O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural equation modeling: A multidisciplinary Journal, 14(4), 535-569. https://doi.org/10.1080/10705510701575396
  • Poletto, L., Pezzotto, S.M., Morini, J., & Andrade, J. (1991). Prevalencia del hábito de fumar en jóvenes y sus padres: asociaciones relevantes con educación y ocupación. Revista de Saúde Pública, 25, 388-393.
  • R Development Core Team (2010). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.Rproject.org.
  • Reyna, C., & Brussino, S. (2011). Revisión de los fundamentos del análisis de clases latentes y ejemplo de aplicación en el área de las adicciones. Trastornos Adictivos, 13(1), 11-19.
  • Sneath, P.H.A. & Sokal, R.R. (1973). Numerical Taxonomy. Freeman. San Francisco.
  • Vermunt, J.K., Magidson, J. (2002). Latent Class Cluster Analysis. In J.A. Hagenaars and A.L. McCutcheon (eds.), Applied Latent Class Analysis (pp. 89–106). Cambridge University Press. Cambridge.
  • Vermunt, J.K., Magidson, J. (2005). Latent GOLD [computer program on disk]. Version 4.0. Belmont: Statistical Innovations. USA.
  • von Davier, M., Naemi, B., & Roberts, R.D. (2012). Factorial versus typological models: A comparison of methods for personality data. Measurement: Interdisciplinary Research and Perspectives, 10(4), 185-208. https://doi.org/10.1080/15366367.2012.732798
Fuente de los datos: Dialnet