《表2 LPA与传统以个体为中心分析技术的差异》
资料来源:作者整理
LPA与均值分割、聚类分析的目的相同,都是为了将个体分为不同的群组。均值分割基于不同变量的均值分割高低组,进行两两组合;然而简单划分高低组过于简单化了个体差异,容易引发对每个类别中异质性的质疑(MacCallum,Zhang,Preacher,&Rucker,2002)。此外,现实中可能不存在强制划分出来的组群,或者未能识别出特定子群体,例如对三种组织承诺的LPA发现不存在三种组织承诺都高的情况(Gellatly,Meyer,&Luchak,2006),基于2维情绪劳动策略的研究分析出了5个子群体(Gabriel,Daniels,Diefendorff,&Greguras,2015)。聚类分析相比于均值分割更为灵活,但对数据要求较高,不适用于变量取值范围较大、或存在多重共线性的情况(Milligan&Cooper,1985)。大部分的聚类分析标准是主观的,且容易产生没有意义的群组(Ketchen&Shook,1996)。相比于聚类分析,潜在剖面分析能够对异质群体进行分类,对个体属于某一类型的所有可能性做出估计,能够借助拟合信息等指标进行模型拟合,依据更加客观、严格的适配指标来筛选分类数量(Nylund,Asparouhov,&Muthén,2007),并且可以纳入协变量构建回归混合模型,检验更复杂的变量关系(王孟成,毕向阳,2018,p.11)。具体差异见表2。
图表编号 | XD00175396300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 尹奎、彭坚、张君 |
绘制单位 | 北京科技大学东凌经济管理学院、广州大学管理学院、北京石油化工学院人文社科学院 |
更多格式 | 高清、无水印(增值服务) |