基于R语言LMest的潜转移分析（LTA）适配评估与协变量效应问询

一、模型适配评估与对比方法 #

1. 对比模型选择 #

• 类别数对比：3类模型需与1类（无潜类别）、2类模型依次对比。从最简单的1类模型开始，逐步增加类别数，观察AIC/BIC的下降幅度，当下降趋势明显放缓时，即为合适的类别数。
• 时间齐性检验：modBasic = 1是约束转移矩阵在时间点间保持一致，属于转移结构的不变性检验，不属于测量不变性范畴（测量不变性是约束项目测量参数在时间点不变，LMest中通过inv=TRUE实现）。

2. 似然比检验（LR）实现 #

LMest无内置LR功能，手动计算需注意以下要点：

• 确保两个模型是嵌套关系（约束模型是无约束模型的子集），否则LR统计量无效。
• 对数似然值提取：用logLik(model)获取模型对数似然，计算LR统计量：LR = 2*(LL_unconstrained - LL_constrained)
• 自由度为无约束模型与约束模型的参数数量差。若手动计算p值为0，大概率是无约束模型拟合远优于约束模型，或嵌套关系错误。
• 类别数对比时，LR统计量不服从卡方分布，需用LMest的bootstrap()函数做bootstrap检验：

  boot_result <- bootstrap(model, B = 1000)
  ll_boot <- boot_result$loglik
  p_val <- mean(2*(ll_boot - LL_constrained) >= LR)
  

3. 补充适配指标 #

LMest未内置熵、R²等指标，可手动计算：

• 熵：衡量潜类别分类的准确性：

  post <- model$post  # 个体后验分类概率矩阵
  entropy <- 1 - sum(post * log(post)) / (-model$loglik)
  

• McFadden R²：衡量模型解释力：

  ll_null <- logLik(null_model)  # 仅含截距的基准模型对数似然
  r2_mcfadden <- 1 - model$loglik / ll_null
  

• 分类准确率：用predict(model)获取个体最可能类别，计算与“真实类别”（若有）的匹配率，或计算平均后验概率（值越高分类越准确）。

二、协变量效应解读与显著性检验 #

1. Ga参数矩阵解读 #

你的Ga参数是以初始潜类别（时间1的类别）为分层，转移概率的logit值：

• logit=1/2/3对应时间1的3个潜类别；每一层的列对应转移到时间2的类别2、3（以类别1为参照组，因此无转移到类别1的参数）。
• 以logit=1层的X1gender系数为例：
  • 0.2112：性别每增加1单位（假设0=女性，1=男性），从时间1类别1转移到时间2类别2的logit值，比转移到类别1高0.2112；
  • 0.7080：性别每增加1单位，从时间1类别1转移到时间2类别3的logit值，比转移到类别1高0.7080。
• 转移概率计算公式：对于从初始类别k转移到时间2类别m（m=2,3）的概率：
  $$P(m|k,X) = \frac{\exp(\text{Ga}[k,m-1] \cdot (1 + X1gender))}{1 + \sum_{j=2}^3 \exp(\text{Ga}[k,j-1] \cdot (1 + X1gender))}$$
  转移到类别1的概率为 $1 - P(2|k,X) - P(3|k,X)$。

2. 效应显著性检验 #

LMest无内置p值输出，可通过bootstrap方法获取标准误、置信区间与p值：

# 生成bootstrap样本
boot <- bootstrap(model, B = 1000)
# 提取Ga参数的bootstrap样本
ga_boot <- boot$par[, grep("Ga", names(boot$par))]

# 提取X1gender的系数位置（需根据实际参数名调整）
gender_coef_pos <- c(2,4,6,8,10,12)
gender_boot <- ga_boot[, gender_coef_pos]

# 计算标准误、z值、p值与置信区间
se <- apply(gender_boot, 2, sd)
z <- model$par[gender_coef_pos] / se
p_val <- pnorm(abs(z), lower.tail = FALSE) * 2
ci_lower <- apply(gender_boot, 2, quantile, 0.025)
ci_upper <- apply(gender_boot, 2, quantile, 0.975)

3. 边际效应计算 #

边际效应是协变量变化1单位时，转移概率的绝对变化量：

# 定义协变量取值（假设X1gender为0/1编码）
x0 <- c(1, 0)  # 截距 + X1gender=0
x1 <- c(1, 1)  # 截距 + X1gender=1

# 提取Ga参数矩阵
Ga <- model$Ga

# 计算每个初始类别下的转移概率变化
marg_effect <- array(0, dim = c(3, 2))  # 3个初始类别，2个转移目标类别
for (k in 1:3) {
  # X=0时的转移概率
  logit0 <- Ga[k,,] %*% x0
  prob0 <- exp(logit0) / (1 + sum(exp(logit0)))
  # X=1时的转移概率
  logit1 <- Ga[k,,] %*% x1
  prob1 <- exp(logit1) / (1 + sum(exp(logit1)))
  # 边际效应
  marg_effect[k,] <- prob1 - prob0
}
# marg_effect的行对应初始类别1/2/3，列对应转移到类别2/3的边际效应

内容的提问来源于stack exchange，提问作者user23546212