এই বিষয়টি দেখার সময় আমি যা পেয়েছি তা এখানে। আমি কোনও পরিসংখ্যানের ব্যক্তি নই তাই তুলনামূলক মৌলিক ধারণাটি ব্যবহার করে কীভাবে বুঝলাম তা সংক্ষেপে জানার চেষ্টা করেছি :-)
এই দুটি ফ্রেমওয়ার্ক "সময়" কে আলাদাভাবে আচরণ করে:
- মেমের জন্য নেস্টেড ডেটা স্ট্রাকচার প্রয়োজন (উদাহরণস্বরূপ শিক্ষার্থীরা ক্লাসরুমে বাসা বাঁধে) এবং সময়কে সর্বনিম্ন স্তরে স্বতন্ত্র ভেরিয়েবল হিসাবে বিবেচনা করা হয় এবং দ্বিতীয় স্তরের ব্যক্তিকে
- LGM একটি সুপ্ত পরিবর্তনশীল পদ্ধতির গ্রহণ করে এবং ফ্যাক্টর লোডিংয়ের মাধ্যমে সময়কে অন্তর্ভুক্ত করে ( এই উত্তরটি কীভাবে এ জাতীয় ফ্যাক্টর লোডিং, বা "টাইম স্কোর", কাজ সম্পর্কে আরও বিস্তারিতভাবে বর্ণনা করে)।
এই তফাতটি নির্দিষ্ট ডেটা পরিচালনা করতে উভয় ফ্রেমওয়ার্কের বিভিন্ন শক্তির দিকে নিয়ে যায়। উদাহরণস্বরূপ, এমইএম কাঠামোর ক্ষেত্রে আরও স্তর যুক্ত করা সহজ (উদাহরণস্বরূপ শিক্ষার্থীরা স্কুলগুলিতে বাসা বাঁধে), যদিও এলজিএম-এ, পরিমাপের ত্রুটির মডেল করা সম্ভব এবং পাশাপাশি এটি বেশ কয়েকটিকে একত্রিত করে বৃহত্তর পথের মডেলটিতে এম্বেড করা সম্ভব বৃদ্ধি কার্ভ বা ফলাফলের পরিবর্তনশীলগুলির জন্য ভবিষ্যদ্বাণীকারী হিসাবে বৃদ্ধির কারণগুলি ব্যবহার করে।
তবে সাম্প্রতিক ঘটনাবলি এই কাঠামোর মধ্যে অস্পষ্টতা ফেলেছে এবং কিছু গবেষক এটিকে "অসম যমজ" হিসাবে অভিহিত করেছেন। মূলত, এমইএম হ'ল একটি অবিচ্ছিন্ন পদ্ধতির সাথে সময় পয়েন্টগুলি একই ভেরিয়েবলের পর্যবেক্ষণ হিসাবে বিবেচনা করা হয়, যেখানে এলজিএম একটি মাল্টিভারিয়েট পদ্ধতির সাথে প্রতিটি সময়কে পৃথক ভেরিয়েবল হিসাবে বিবেচনা করে। LGM এ সুপ্ত পরিবর্তনশীলগুলির গড় এবং সমবায় কাঠামোটি এমইএম-র স্থির এবং এলোমেলো প্রভাবগুলির সাথে সামঞ্জস্য করে, অভিন্ন ফলাফলের সাথে ফ্রেমওয়ার্ক ব্যবহার করে একই মডেলটি নির্দিষ্ট করা সম্ভব করে তোলে।
সুতরাং LGM কে এমইএম-এর একটি বিশেষ কেস হিসাবে বিবেচনা করার পরিবর্তে আমি এটিকে ফ্যাক্টর লোডিংয়ের সাথে ফ্যাক্টর এনালাইসেশন মডেলের একটি বিশেষ কেস হিসাবে দেখছি যাতে সুপ্ত (বৃদ্ধি) কারণগুলির ব্যাখ্যা সম্ভব হয়।