Nach der Identifikation der latenten Klassen mit einer Latent Class Analysis in Mplus ist im nächsten Schritt, zu untersuchen, wie die latenten Klassen mit anderen Variablen zusammenhängen. Dabei können latente Klassen sowohl durch andere Variablen vorhergesagt werden, als auch selbst Prädiktoren für andere Variablen sein.
Ein Beispiel aus dem medizinischen Umfeld ist die Studie von Dunn, Jordan und Croft (2006). Sie nutzten eine Latent Class Analyse, um den Schmerzverlauf von PatientInnen mit Rückenschmerzen zu untersuchen. Zunächst identifizierten sie fünf verschiedene prototypische Verläufe, unter anderem eine Gruppe, die sich unmittelbar nach Beginn der Behandlung schnell erholte, während eine andere Teilgruppe keine Sympotmverbesserung berichtete. Im nächsten Schritt zeigten sie dann, dass bereits zum Behandlungsbeginn jene PatientInnen, bei denen es zu einer Chronifizierung der Symptome gekommen war, über mehr Ängste und Depressionsymptome berichteten, als PatientInnen, die sich von den Symptomen erholten. Das weitere Ergebnis, dass insbesondere chronische Rückenschmerzen am Ende des Zeitraumes von 12 Monaten zu häufigen Fehltagen am Arbeitsplatz führten, entspricht den Erwartungen.
Der vorliegende Beitrag stellt die verfügbaren Methoden zur Vorhersage von Klassenzugehörigkeiten (im Sinne vor Gruppenzugehörigkeiten vor. Mit der Klassenzugehörigkeit lassen sich zudem auch andere Variablen vorhersagen. Die Durchführung soll mit Hilfe eines Beispieldatensatzes in Mplus veranschaulicht werden. Die Beispiele finden sich in einer Zip-Datei und können auch mit der Demoversion von Mplus analysiert werden.
weiterlesen
