Auxiliary Variables in Mixture Modeling: Three-Step Approaches Using Mplus

2014 ◽  
Vol 21 (3) ◽  
pp. 329-341 ◽  
Author(s):  
Tihomir Asparouhov ◽  
Bengt Muthén
Keyword(s):  
Mixture Modeling ◽  
Auxiliary Variables

scholarly journals BCH Two-step Auxiliary Variable Integration with MplusAutomation

2021 ◽  
Author(s):  
Adam C Garber
Keyword(s):  
Auxiliary Variable ◽  
Mixture Modeling ◽  
Longitudinal Survey ◽  
Original Study ◽  
Data Repository ◽  
Auxiliary Variables ◽  
The Public ◽  
Variable Integration ◽  
Biased Estimates ◽  
Multi Step Methods

This R tutorial automates the BCH two-step axiliary variable procedure (Bolk, Croon, Hagenaars, 2004) using the MplusAutomation package (Hallquist & Wiley, 2018) to estimate models and extract relevant parameters. To learn more about auxiliary variable integration methods and why multi-step methods are necessary for producing un-biased estimates see Asparouhov & Muthén (2014). The name of this mehtod, BCH, stands for Bolck, Croon, & Hagenaars, the authors who developed this method (Bolk, Croon, Hagenaars, 2004). This tutorial utilizes the public-use data repository named the Longitudinal Survey of American Youth (LSAY; Miller et al., 1992). The applied example used in this tutorial is based off the example presented in the seminal chapter on mixture modeling by Katherine Masyn (2013). This tutorial contains the 9 math indicators from this original study as well as two auxiliary variables.

Die Identifikation früher Veränderungsmuster in der ambulanten Psychotherapie

2007 ◽  
Vol 36 (2) ◽  
pp. 93-104 ◽  
Author(s):  
Wolfgang Lutz ◽  
Niklaus Stulz ◽  
David W. Smart ◽  
Michael J. Lambert
Keyword(s):  
Growth Mixture Modeling ◽  
Mixture Modeling ◽  
Growth Mixture

Zusammenfassung. Theoretischer Hintergrund: Im Rahmen einer patientenorientierten Psychotherapieforschung werden Patientenausgangsmerkmale und Veränderungsmuster in einer frühen Therapiephase genutzt, um Behandlungsergebnisse und Behandlungsdauer vorherzusagen. Fragestellung: Lassen sich in frühen Therapiephasen verschiedene Muster der Veränderung (Verlaufscluster) identifizieren und durch Patientencharakteristika vorhersagen? Erlauben diese Verlaufscluster eine Vorhersage bezüglich Therapieergebnis und -dauer? Methode: Anhand des Growth Mixture Modeling Ansatzes wurden in einer Stichprobe von N = 2206 ambulanten Patienten einer US-amerikanischen Psychotherapieambulanz verschiedene latente Klassen des frühen Therapieverlaufs ermittelt und unter Berücksichtigung unterschiedlicher Patientenausgangscharakteristika als Prädiktoren der frühen Veränderungen mit dem Therapieergebnis und der Therapiedauer in Beziehung gesetzt. Ergebnisse: Für leicht, mittelschwer und schwer beeinträchtigte Patienten konnten je vier unterschiedliche Verlaufscluster mit jeweils spezifischen Prädiktoren identifiziert werden. Die Identifikation der frühen Verlaufsmuster ermöglichte weiterhin eine spezifische Vorhersage für die unterschiedlichen Verlaufscluster bezüglich des Therapieergebnisses und der Therapiedauer. Schlussfolgerungen: Frühe Psychotherapieverlaufsmuster können einen Beitrag zu einer frühzeitigen Identifikation günstiger sowie ungünstiger Therapieverläufe leisten.

A Brief Primer on Mixture Modeling

2010 ◽  
Author(s):  
Carol L. Barry ◽  
Pamela Kaliski
Keyword(s):  
Mixture Modeling

Factor mixture modeling of anxiety sensitivity: Support for the three-class solution in a Serbian sample.

2020 ◽  
Vol 32 (10) ◽  
pp. 915-927
Author(s):  
Marija Volarov ◽  
Nicholas P. Allan ◽  
Ljiljana Mihić
Keyword(s):  
Anxiety Sensitivity ◽  
Mixture Modeling ◽  
Factor Mixture Modeling
Sign in / Sign up

Export Citation Format

Share Document