Латентный класс как зависимая переменная

Question

Я пытаюсь выяснить, как использовать скрытые классы , сгенерированные LCA-моделированием, в качестве зависимой переменной в регрессии.

Программная документация poLCA (и других), кажется, только показывает, как использовать скрытые классы в качестве независимых переменных, например, в этом примере, как PARTY и AGE объясняют классчленство.

Однако мне интересно поступить противоположным образом, например, чтобы понять, как членство в классе влияет на y (скажем, PARTY, в качестве примера).

library(poLCA)
data("election")

f.party <- cbind(MORALG, CARESG, KNOWG, LEADG, DISHONG, INTELG, MORALB, CARESB, 
KNOWB, LEADB, DISHONB, INTELB) ~ PARTY + AGE

# run the LCA estimation #
nes.party <- poLCA(f.party, election, nclass = 3, verbose = FALSE)

Я понимаю, что членство в классе можно получить с помощью

nes.party$predclass

и что задний проба можно получить с помощью

nes.party$posterior

Однако я не понимаюскажем, не знаю, как использовать эту информацию в OLS.

Выполнение

lm(PARTY ~ predclass, election)

было бы неправильно, потому что я хочу учесть членство в классе вероятности.

Как бы вы это сделали?

Answer 1

Я сталкивался с этим вопросом, когда выполнял связанный поиск, поэтому был поздний ответ.

Скрытый класс - это результат за полиномиальную (т.е. неупорядоченную категорию), поэтому желаемая параллель не является линейной регрессией - этополиномиальная регрессия.Фактически, вы можете предсказать наиболее вероятный скрытый класс каждого человека, а затем ввести его в модель многочленной регрессии.Однако это был бы неправильный подход, поскольку он не учитывал бы тот факт, что скрытый класс оценивается с неопределенностью.

Я слышал термин регрессия скрытого класса, используемый для описания, когда вы пытаетесьчтобы увидеть, имеют ли предикторы какое-либо отношение к членству в классе без использования в качестве переменных-индикаторов.И на самом деле, poLCA, кажется, позволяет это.См. стр. 3 руководства .

## Example 2. Two-class latent class regression using
## GPA as a covariate to predict class membership as
## "cheaters" vs. "non-cheaters".
## (Table 7.1, p. 85, and Figure 7.1, p. 86)
##
f2 <- cbind(LIEEXAM,LIEPAPER,FRAUD,COPYEXAM)~GPA
ch2c <- poLCA(f2,cheating,nclass=2) # log-likelihood: -429.6384
GPAmat <- cbind(1,c(1:5))
exb <- exp(GPAmat %*% ch2c$coeff)
matplot(c(1:5),cbind(1/(1+exb),exb/(1+exb)),type="l",lwd=2,
main="GPA as a predictor of persistent cheating",
xlab="GPA category, low to high",
ylab="Probability of latent class membership")

Копировать их пример.Здесь они используют GPA для прогнозирования принадлежности к двум скрытым классам, определяемым 4 показателями, описывающими склонность к мошенничеству.