Professional Documents
Culture Documents
2
Introdução
A abordagem mais simples é descrever a mudança numa variável de um ponto de tempo para
um segundo ponto de tempo – o resultado da mudança
3
Introdução
4
O que é o Modelo de Crescimento Latente – MCL
5
O que é o Modelo de Crescimento Latente – MCL
Captar a trajetória continua de mudança, abordando a mesma estrutura de dados em
diferentes perspetivas
Construir um modelo para dados que estime a mudança ao longo do tempo no interior de
cada indivíduo e comparar a mudança entre os indivíduos
6
O que é o Modelo de Crescimento Latente – MCL
As trajetórias podem ser o foco principal de análise, ou podem representar apenas uma parte
de um modelo longitudinal alargado
7
O que é o Modelo de Crescimento Latente – MCL
8
O que é o Modelo de Crescimento Latente – MCL
Medidas repetidas para uma pessoa: Trajetória de crescimento para uma pessoa:
- Liga as observações para ver as mudanças - “Aplana” as medidas repetidas e estima uma linha
ao longo do tempo de melhor ajuste para este indivíduo
9
O que é o Modelo de Crescimento Latente – MCL
Trajetória de crescimento para uma pessoa: Trajetória de crescimento para múltiplas pessoas:
- Sumariza a linha por dois blocos de informação: - Englobam uma amostra de indivíduos;
- O intercept β0i e o declive β1i único do - Pode estender-se até 8 trajetórias (mas usa
indivíduo i 100 ou mais na prática)
10
O que é o Modelo de Crescimento Latente – MCL
Médias da trajetória:
- valor médio dos parâmetros que definem a trajetória de crescimento que agrupa todos os
indivíduos na amostra;
- por exemplo, significa o ponto de partida e taxa média de mudança para toda a amostra
Variâncias da trajetória:
- variabilidade de casos individuais em torno dos parâmetros da trajetória média;
- por exemplo, variabilidade individual no ponto de partida e taxa de variação ao longo
do tempo:
- variâncias maiores refletem maior variabilidade no crescimento
11
Características do Modelo de Crescimento Latente – MCL
• efeito fixo: valor único constante na população; capta a estrutura média dos dados;
o ex.: a altura média dos homens de uma população;
• efeito aleatório: varia entre as unidades da população; capta a variabilidade inter-individual
e intra-individual, respetivamente;
o ex.: a variância da população em altura para homens.
Ex.: numa trajetória linear, os efeitos fixos são estimativas do intercept médio (ponto de
partida) e declive médio (taxa de variação) que definem o agrupamento da trajetória
subjacente de toda a amostra; em contraste, os efeitos aleatórios são estimativas da
variabilidade entre pessoas nos intercepts e declives individuais
12
Características do Modelo de Crescimento Latente – MCL
• quando os efeitos aleatórios são iguais a 0, todos os indivíduos são orientados pelos mesmos
parâmetros de trajetória, ou seja existe apenas uma trajetória compartilhada por todos os indivíduos.
Efeitos aleatórios maiores (maior variância de intercepts e declives) implicam que há maiores
diferenças individuais na magnitude dos parâmetros de trajetória em torno dos valores médios
• isto é, alguns indivíduos apresentam intercepts mais altos ou mais baixos, ou declives mais acentuados
ou menos acentuados em relação a outros.
13
Características do Modelo de Crescimento Latente – MCL
Combinação de efeitos fixos e aleatórios
14
Tipos de trajetórias individuais do MCL
15
Tipos de trajetórias individuais do MCL
16
Diferenças entre o MCL e os modelos longitudinais tradicionais
Abordagens tradicionais
• métodos para analisar as pontuações de mudança brutas e residuais (Hedeker & Gibbons, 2006).
17
Diferença entre o MCL e os modelos longitudinais tradicionais
Modelo de crescimento
latente
• Flexível (pode abranger: dados parcialmente em falta, pontos de tempo com espaçamentos desiguais,
medidas repetidas não normalmente distribuídas ou discretamente ordenadas, trajetórias complexas
não-lineares e processos de crescimento multivariado).
Os métodos tradicionais são considerados mais limitados no contexto das investigações em ciências sociais,
contrariamente aos modelos de crescimento latente (Curran, Obeidat, & Losardo, 2010)
18
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
• Por exemplo, se as trajetórias produzissem uma coleção de linhas retas para uma amostra de
indivíduos, o modelo deveria refletir diferenças individuais nos declives e intercepts dessas linhas;
• Capacidade de estudar preditores de diferenças individuais para responder a perguntas sobre quais
variáveis exercem efeitos importantes sobre a taxa de desenvolvimento;
19
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
Os fatores de crescimento do MCL são interpretados como
diferenças individuais nas trajetórias de crescimento dos
atributos ao longo do tempo (McArdle, 1988)
20
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
Casos especiais de MCL:
• Os modelos de análise polinomial de variância de medidas repetidas (ANOVA) onde apenas
interessa o fator média (Meredith e Tisak, 1990, cit por Duncan & Duncan, 2009);
• As variações são consideradas parâmetros de perturbação.
21
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
A tarefa de
modelagem
Descrever e resumir o
Refletir diferenças individuais
crescimento individual e do
nos declives e intercepts
nível de grupo
22
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
Meredith e Tisak (1990) e McArdle (1988) alargaram o modelo básico para
permitir os procedimentos de teste e os padrões de estimativa encontrados
nos modelos de equações estruturais (SEM)
23
Especificações do Modelo de Crescimento Latente – MCL
24
Especificações do Modelo de Crescimento Latente – MCL
Dados de ondas múltiplas (mais de duas observações), a validade do modelo de trajetória de crescimento
em linha reta pode ser avaliada (ex.: testes de não-linearidade)
Precisão das estimativas dos parâmetros tenderá a aumentar juntamente ao número de observações para
cada indivíduo
25
Especificações do Modelo de Crescimento Latente – MCL
Intercept Declive
26
Especificações do Modelo de Crescimento Latente – MCL
F1 e F2 são permitidos para covariar Ris (seta dupla entre os fatores)
Os termos de variação de erro são etiquetados como E1, E2 e E3
Figura 2
Ao incluir os termos de variação de erro, os parâmetros Representação MCL de dois
do modelo mantêm interpretações básicas, mas agora fatores.
27
Especificações do Modelo de Crescimento Latente – MCL
9 informações para estimar o
8 parâmetros a estimar (a média e
modelo:
variância do intercept, a média e a
• 3 variâncias
variância do Declive, a covariância
entre as variâncias intercept e • 3 médias
Declive e 3 erros) • 3 covariâncias
28
Interpretar fatores de crescimento
Escolha de cargas fatoriais pode afetar a
interpretação dos fatores de intercept e declive
O crescimento da divergência conjugal pode ser avaliado em três pontos de tempo igualmente
intervalados (2 unidades de tempo) verificando-se um aumento de 1 unidade nos níveis médios de
divergência conjugal (por exemplo, MT3 - MT1 = 2 )
29
Interpretar fatores de crescimento
b1 é o intercept,
b2 é o declive (quantidade de aumento vertical por y1 = b1 + 0 b2 + e1
unidade de execução horizontal da curva de crescimento)
ti é o ith valor de tempo y2 = b1 + 1 b2 + e2
ei representa os erros de previsão específicos por tempo
y3 = b1 + 2 b2 + e3
(definidos como 0 neste exemplo)
i é o valor do tempo
30
Interpretar fatores de crescimento
Relacionando as equações com a Figura 2, para qualquer indivíduo,
b1 corresponde ao resultado do fator de intercept (F1), b2
corresponde ao resultado do fator de declive (F2) e ei corresponde
aos erros específicos de previsão do tempo
Se F1 = 4, F2 = 1 e Et = 0, t = 1, 2 e 3, então o
modelo para este indivíduo implica a seguinte t1 = 0, no tempo 1 inicia a curva neste ponto ajustando o fator de
trajetória intercept para representar o estado inicial
t2 = 1, no tempo 2 indica que do tempo 1 ao tempo 2 existe uma
y1 = 4 + 0(1) + 0 = 4 unidade de mudança
t3 = 1, no tempo 3 indica que do tempo 2 ao tempo 3 existe uma
y2 = 4 + 1(1) + 0 = 5 unidade de mudança
Assim, ti descreve uma relação linear de mudança em termos de
y3 = 4 + 2(1) + 0 = 6
diferenças lineares desde o estado inicial no tempo 1
31
Interpretar fatores de crescimento
Como as cargas fatoriais representam uma tendência crescente, o fator de declive é interpretado como
crescimento positivo, em que pontuações mais altas no fator (ou seja, resultados dos fatores) representam
aumentos mais positivos ou maiores de divergência conjugal
Uma correlação positiva entre o intercept e os fatores de declive indicaria que os indivíduos com valores mais
altos em T1 tenderiam a apresentar resultados mais elevados de declive ou maior crescimento positivo de
divergência conjugal ao longo do tempo
Uma correlação negativa entre os fatores de intercept e declive sugere que os indivíduos com valores mais
elevados em T1 tenderiam a ter resultados mais baixos de declive ou menor crescimento positivo na
divergência conjugal ao longo do tempo
32
Interpretar fatores de crescimento
Suponhamos que o modelo na Figura 2 apresenta-se as cargas
fatoriais ajustadas em valores de -2, -1 e 0
Como a tendência é crescente, a média do fator de Como a interpretação do fator de intercept mudou (de
declive é novamente positiva, e pontuações mais T1 para T3), a correlação entre os fatores de intercept
altas no fator representam maiores aumentos de e de declive também mudou, assim como a correlação
divergência conjugal entre o intercept e qualquer outra covariável
33
Interpretar fatores de crescimento
Se as cargas fatoriais forem fixadas em valores de 0, -1 e -2
34
Interpretar fatores de crescimento
A capacidade de centrar o crescimento em vários pontos de tempo fornece uma grande latitude ao especificar
MCL condicionais que envolvem vários preditores de crescimento
35
Representação da fórmula de crescimento ao longo do tempo
Nos exemplos apresentados, as cargas fatoriais têm apenas informações relativas à quantidade (por
exemplo, mudança linear) de mudança ao longo do tempo
Com três ou mais pontos de tempo, no entanto, as cargas fatoriais também fornecem informações
sobre a forma de crescimento ao longo do tempo. Três ou mais pontos de tempo fornecem uma
oportunidade para testar trajetórias não lineares
A abordagem mais familiar para trajetórias não-lineares é o uso de polinómios. A inclusão de efeitos
quadráticos ou cúbicos é facilmente realizada pela inclusão de um fator adicional ou dois
36
Representação da fórmula de crescimento ao longo do tempo
37
Representação da fórmula de crescimento ao longo do tempo
Figura 3
Representação do MCL condicional
38
Representação da fórmula de crescimento ao longo do tempo
39
Representação da fórmula de crescimento ao longo do tempo
O MCL apresentado anteriormente pode ser facilmente expresso
em termos das técnicas gerais de modelagem linear ANOVA,
tipicamente usadas em análises de medidas repetidas
A estrutura de efeitos fixos do modelo ANOVA pode ser alargada para incluir efeitos aleatórios. Cada um dos
níveis na estrutura de dados (por exemplo, observações repetidas nos indivíduos) representa as relações
estruturais e a variabilidade que ocorrem nesse nível
40
Representação da fórmula de crescimento ao longo do tempo
41
Representação da fórmula de crescimento ao longo do tempo
Embora seja possível adicionar fatores até que um ajuste de dados satisfatório seja
obtido, o MCL é mais poderoso quando um pequeno número de fatores descreve os
dados
42
Incluindo covariáveis de mudança: o MCL condicional
O MCL permite utilizar variáveis simultaneamente
como variáveis independentes e dependentes no
mesmo modelo, e representações complexas de
A análise de covariância permite testes de
crescimento e correlações de mudança
preditores contínuos de mudança e mudança
como um preditor, mas não para a inclusão
simultânea de mudança como variável
independente e dependente
43
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas
O MCL permite:
• Modelar o crescimento para uma única população
• Analisar a mudança de comportamento entre vários grupos
(ex.: condições de tratamento e controlo, idade, sexo)
44
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas
Ex: ajustamento de um modelo a dados que consiste em respostas de homens e mulheres. Se um modelo
de crescimento incondicional é ajustado à amostra combinada (isto é, a análise de um grupo), é
explicitamente assumido que todos os parâmetros que definem o modelo de crescimento são
precisamente iguais para ambos os grupos de géneros
Se as diferenças de género forem hipótese, o modelo de crescimento pode ser facilmente expandido para
incluir o género como um preditor invariante no tempo; no entanto, isto apenas introduz diferenças nas
médias condicionais dos fatores de crescimento
O género serve para modificar os meios condicionais do intercept e do declive para valores maiores ou
menores, mas todos os outros parâmetros que conduzem o modelo são considerados iguais entre os dois
grupos
Curran, Obeidat, & Losardo, 2010
45
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas
Imaginemos que o resultado potencial de um Ex.: uma intervenção projetada para diminuir o
tratamento é diminuir a variabilidade na comportamento antissocial em crianças pré-
expressão de determinados comportamentos no escolares também diminuiria a variabilidade de
grupo de tratamento, mas não no grupo de tipos de comportamento disruptivo nas crianças
controlo ao longo do tempo expostas ao tratamento
Se essas estimativas de variabilidade forem diferentes entre os grupos, ainda assim, um modelo é ajustado
para presumir que eles sejam os mesmos, então são esperadas estimativas tendenciosas de parâmetros.
Tanto o SEM como as abordagens multiníveis abordam essa questão através da estimativa paralela de
modelos de crescimento em dois ou mais grupos nos denominados modelos de crescimento de grupos
múltiplos
46
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas
47
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas
Figura 4
48
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas
O fator de crescimento adicionado é especificado para alcançar
diferenças lineares entre os dois grupos. Neste caso, o fator de
declive linear capta o crescimento normativo comum a ambos os
grupos
49
Conclusões
50
Conclusões
51
E agora, qual o caminho a seguir?
Consultar vários artigos pedagogicamente mais estruturados que podem orientar para diferentes aspetos
da aplicação e interpretação de modelos de crescimento, tais como: Curran (2000), Curran e Hussong (2002,
2003), Duncan e Duncan (2004), Preacher et al. (2008), Singer (1998) e Willett, Singer e Martin (1998)
Consultar diversos livros publicados recentemente que abrangem aspetos mais abrangentes destas técnicas,
tais como Bollen e Curran (2006), Duncan et al. (2006), Hedeker e Gibbons (2006), Raudenbush e Bryk
(2002) e Singer e Willett (2003).
Finalmente, existe um número crescente de aplicações de vários tipos de modelos de crescimento dentro
das ciências do desenvolvimento; vários exemplos recentes incluem Brown, Meadows e Elder (2007),
McCoach, O'Connell, Reis e Levitt (2006), Owens e Shaw (2003) e Williams, Conger e Blozis (2007)
52
Referências bibliográficas
• Bollen K.A., Curran P.J. (2006) Latent curve models: A structural equation perspective. Hoboken, NJ: Wiley.
https://doi.org/10.1002/0471746096.ch7
• Curran, P. J., & Bauer, D. J. (2011). The Disaggregation of Within-Person and Between-Person Effects in Longitudinal Models
of Change. Annual Review of Psychology, 62, 583–619. http://doi.org/10.1146/annurev.psych.093008.100356
• Curran, P. J., Obeidat, K., & Losardo, D. (2010). Twelve Frequently Asked Questions About Growth Curve Modeling. Journal
of Cognition and Development : Official Journal of the Cognitive Development Society, 11(2), 121–136.
http://doi.org/10.1080/15248371003699969
• Duncan, T. E., & Duncan, S. C. (2009). The ABC’s of LGM: An Introductory Guide to Latent Variable Growth Curve
Modeling. Social and Personality Psychology Compass, 3(6), 979–991. http://doi.org/10.1111/j.1751-9004.2009.00224
53
UNIVERSIDADE DO ALGARVE
Faculdade de Ciências Humanas e Sociais
Departamento de Psicologia e Ciências da Educação
Seminário de Métodos e Análise de Dados