《表2 LPA与传统以个体为中心分析技术的差异》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《潜在剖面分析在组织行为领域中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。