在上一篇中,我們在模型探討隨機截距交叉延宕在Extension 2中,可以使用的分類變量進行Multiple group分析。接下來,擴展 RI-CLPM 的另一種方法是為每個使用多個指標測量,本文將簡介兩種Multiple indicators模型。
如下圖所示,有兩種方法可以做到這一點。
- 首先看上面模型,每個不同時間的相同觀察變項(例如:S11 S12 S13...)可以被共同的隨機截距解釋(BS1),並且這些隨機截距允許彼此相關(BS1<->BS2<->BS3)。
- 其次,如下圖下面的模型所示,隨機截距可以被潛在變項解釋,而觀察變項解釋潛在變項。特定時間點的觀察變項(S11, S21, S31)都可以被特定潛在因素(FS1)給解釋,這部分跟SEM非常相似,特定潛在因素(FS1)又可以被隨機截距(BS1)和個體內特定潛在因素(WS1)給解釋。這兩種方法是嵌套的,第二種方法是第一種方法的特例。