Joint Latent Class Tree : An Application to Adolescents Risk Behaviors
결합잠재범주나무 : 청소년 위험행동에 관한 연구
- 주제(키워드) latent class analysis , joint latent class analysis , tree structure , adolescent risk behavior
- 발행기관 고려대학교 대학원
- 지도교수 정환
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 도움말 대학원 통계학과
- 세부전공 응용통계학 전공
- 세부분야 해당없음
- 원문페이지 68 p
- 실제URI http://www.dcollection.net/handler/korea/000000271228
- UCI I804:11009-000000271228
- DOI 10.23186/korea.000000271228.11009.0001445
- 본문언어 영어
초록/요약
Joint latent class analysis (JLCA) is a statistical method to handle multiple latent attributes. JLCA defines latent class membership for each latent class variable based on categorical response pattern of individuals, and also examines joint structure of latent class memberships. Since JLCA simultaneously considers multiple latent class variables to identify joint class patterns, however, it is challenging to obtain a meaningful solution. As an alternative, we propose the hierarchical clustering method, called joint latent class tree (JLCT), where each node of tree represents a joint latent class. JLCT is constructed in a tree structure by performing series of JLCA. At each joint latent class, JLCT selects the optimal set of latent class variables and determines whether a joint latent class is to be split based on the BIC. The sequential variable selection of JLCT enables us to include only necessary variables in model. Moreover we can obtain more straightforward interpretation of joint class patterns by the hierarchical structure of JLCT. We apply the JLCT method to explore the joint pattern of adolescent risk behaviors using the Youth Risk Behavior Surveillance System 2015 (YRBSS 2015) data. Especially, we consider four risk behaviors, Violent behavior, Drug use, Sexual behavior, Depression, examining which behavior is informative to identify joint patterns.
more초록/요약
결합잠재범주분석 (Joint latent class analysis)은 여러 잠재 속성을 다루기 위해 사용되는 통계적 방법론이다. 결합잠재범주분석은 개인의 범주형 응답 패턴을 기반으로 각 잠재변수 (latent class variable)에 대한 잠재범주 (latent class)를 정의하고 정의된 잠재범주들 사이의 결합구조 (joint class pattern)를 파악한다. 그러나 결합잠재범주분석은 결합잠재범주 구조를 식별하기 위해 모든 잠재변수를 동시에 고려하기 때문에 실질적으로 의미있는 결합구조를 얻기 어려울 수 있다. 이러한 문제점을 극복하기 위해, 본 연구에서는 나무의 각 노드가 결합잠재범주를 의미하는 결합잠재범주나무 (Joint latent class tree)라는 계층적 클러스터링 방법을 제안한다. 결합잠재범주나무는 결합잠재범주분석을 연속적으로 수행하여 나무 구조를 완성한다. 각 노드에서 결합잠재범주나무는 BIC를 사용해 노드 분할에 가장 적합한 잠재변수 집합을 선택한 후, 노드의 분할 여부를 결정한다. 이러한 순차적 변수선택을 통해 결합잠재범주를 정의하는데 유용한 잠재변수만 모형에 포함시킬 수 있다. 또한 결합잠재범주나무의 계층적 구조는 각 결합잠재범주의 의미를 보다 직관적으로 이해하는데 도움을 준다. 본 연구에서는 Youth Risk Behavior Surveillance System 2015 (YRBSS 2015) 자료에 JLCT 모형을 적용하여 청소년 위험행동의 결합범주 구조를 분석한다. 특히 폭력적 행동, 약물 사용, 성적 행동 그리고 우울증의 네 가지 위험행동를 고려하여 어떤 위험행동이 결합잠재범주를 정의하는데 유용한지 알아보고자 한다.
more목차
Abstract i
국문초록 iii
Chapter 1. Introduction 1
Chapter 2. Model description 4
2.1 Single latent class variable 4
2.1.1 Latent Class Analysis 4
2.1.2 Latent Class Tree 5
2.2 Multiple latent class variables 7
2.2.1 Joint Latent Class Analysis 7
2.2.2 Joint Latent Class Tree 8
Chapter 3. Variable selection 13
3.1 Variable selection for LCA 13
3.2 Variable selection for JLCA 16
3.3 Variable selection for JLCT 19
Chapter 4. Parameter estimation 21
4.1 LCA 21
4.2 Weighted LCA 23
4.3 Weighted JLCA 25
Chapter 5. Application 29
5.1 Data description 29
5.2 Latent class 32
5.2.1 Model selection 33
5.2.2 Parameter estimates 34
5.3 Model construction 37
5.4 Comparison with JLCA 42
5.4.1 Including the unuseful latent class variable 42
5.4.2 Excluding the unuseful latent class variable 45
Chapter 6. Conclusion 48
References 50
Appendix 53
A. JLCA including the unuseful latent class variable 53
B. JLCA excluding the unuseful latent class variable 56
