Latent Growth Curve Model
In diesem Beitrag
Was versteht man unter dem Latent Growth Curve Model?
Das Latent Growth Curve Model (LGCM) ist ein Verfahren aus dem Bereich der Strukturgleichungsmodellierung (SEM), das zur Analyse von Veränderungen über die Zeit eingesetzt wird. Es modelliert individuelle Wachstumsprozesse, indem es zwei latente Faktoren schätzt: einen Intercept-Faktor (Ausgangsniveau) und einen Slope-Faktor (Wachstumsrate). Beide Faktoren sind latent, das heißt, sie sind nicht direkt beobachtbar, sondern werden aus mehreren Messzeitpunkten erschlossen.
Formal lässt sich das Modell auf zwei Ebenen beschreiben. Auf der Messebene (within-person) gilt für die beobachtete Variable einer Person zum Zeitpunkt :
Gleichung – Messmodell
Dabei steht für das individuelle Ausgangsniveau (Intercept), für die individuelle Wachstumsrate (Slope), für die zeitliche Faktorladung (z. B. 0, 1, 2, 3 für vier äquidistante Messzeitpunkte) und für den Messfehler. Auf der Strukturebene (between-person) werden Mittelwert und Varianz beider latenter Faktoren geschätzt – so lässt sich erfassen, wie stark Personen in ihrem Ausgangsniveau und in ihrer Veränderungsrate voneinander abweichen.
Warum ist das Latent Growth Curve Model für statistische Analysen wichtig?
Das LGCM bietet gegenüber einfacheren Längsschnittverfahren wie der Varianzanalyse mit Messwiederholung (rmANOVA) oder einfachen Regressionsmodellen mehrere entscheidende Vorteile:
- Individuelle Unterschiede im Verlauf: Das LGCM schätzt nicht nur einen mittleren Wachstumstrend für die Gesamtgruppe, sondern berücksichtigt, dass Personen unterschiedlich schnell oder langsam wachsen (Varianz des Slope-Faktors).
- Prädiktion von Wachstum: Kovariaten können als Prädiktoren der latenten Faktoren eingebunden werden. So lässt sich zum Beispiel untersuchen, ob das Geschlecht das Ausgangsniveau oder die Veränderungsrate vorhersagt.
- Messfehlerkorrektur: Da Messfehler explizit modelliert werden, sind die Schätzungen zuverlässiger als bei manifesten Verfahren.
- Modellvergleiche: Unterschiedliche Wachstumsformen (linear, quadratisch, frei geschätzt) können formal miteinander verglichen werden.
Praxisbeispiel zu Latent Growth Curve Model
Eine Forscherin untersucht, wie sich das Stressempfinden von Studierenden über vier Semester hinweg verändert (Messzeitpunkte: t1, t2, t3, t4). Sie erhebt bei 200 Studierenden jeweils einen validierten Stressfragebogen und schätzt ein lineares LGCM.
| Messzeitpunkt | Semester | Faktorladung (Slope) | Mittlerer Stresswert |
|---|---|---|---|
| t1 | 1 | 0 | 55,2 |
| t2 | 2 | 1 | 52,8 |
| t3 | 3 | 2 | 50,1 |
| t4 | 4 | 3 | 47,6 |
Das Modell liefert folgende Ergebnisse: Der mittlere Intercept beträgt 55,2 (durchschnittliches Stressniveau im ersten Semester). Der mittlere Slope beträgt −2,5, das heißt, der Stress sinkt pro Semester im Durchschnitt um 2,5 Punkte. Die signifikante Varianz des Slopes zeigt jedoch, dass dieser Rückgang nicht bei allen Studierenden gleich ausgeprägt ist: Manche bauen Stress deutlich ab, andere kaum oder gar nicht.
In einem zweiten Schritt fügt die Forscherin die Variable „Soziale Unterstützung“ als Kovariate hinzu. Das Ergebnis: Studierende mit hoher sozialer Unterstützung haben nicht nur niedrigere Ausgangswerte (Intercept), sondern auch einen steileren Stressrückgang (Slope). Dieses Ergebnis wäre mit einer reinen rmANOVA nicht auf diese Weise modellierbar gewesen.
