Latent class modellen (LCM’s) zijn krachtige statistische methoden om ongeobserveerde subgroepen binnen data te identificeren. Ze bieden onderzoekers de mogelijkheid om heterogeniteit binnen populaties zichtbaar te maken en worden steeds vaker ingezet binnen de epidemiologie, gezondheidswetenschappen, sociale wetenschappen en psychologie.

In deze eendaagse cursus maken deelnemers op een toegankelijke en praktijkgerichte manier kennis met latent class modellen voor longitudinale data. Er is veel aandacht voor interpretatie en toepassing in eigen onderzoek, met name binnen observationele designs. Daarnaast krijgen deelnemers een hands-on introductie tot Mplus, een van de meest gebruikte en flexibele softwarepakketten voor latente-variabelenmodellen. Hierbij zullen ter informatie corresponderende R-scripts gedeeld worden. 
De volgende onderwerpen komen aan bod:

• Waarom heterogeniteit belangrijk is in empirisch onderzoek
• Conceptuele basis van latent class modellen
• Longitudinale benaderingen, waaronder latent class growth models en latent class growth mixture models
• Modelschatting, modelselectie en beoordeling van model fit
• Interpretatie van output
• Veelvoorkomende valkuilen, aannames en best practices
• Introductie tot Mplus: modelspecificatie, opbouw van de syntax en interpretatie van output

Tijdens de cursus is er voortdurend aandacht voor hoe latent class modellen onderzoekers helpen om verder te kijken dan ‘een gemiddelde’ en inzicht te krijgen in betekenisvolle heterogeniteit binnen populaties.

Ochtend: College over basisprincipes van Latent Class Analyses en het verschil tussen LCGA en GMM.

Middag: Inleiding Mplus gevolgd door het computerpracticum waarin studenten min of meer zelfstandig aan de slag gaan met het uitvoeren van een LCGA en een GMM aan de hand van bestaande data.

1. De student kan de basisprincipes van de Latent Class Modellen voor longitudinale data benoemen en daarbij de voordelen en nadelen herkennen.
2. De student kan aangeven voor welke onderzoeksvragen een Latent Class Model voor longitudinale data geschikt is.
3. De student kan het verschil tussen Latent Class Growth Models en Latent Class Growth Mixture Models benoemen en uitleggen.
4. De student kan de basisprincipes van het softwareprogramma Mplus benoemen.
5. De student kan min of meer zelfstandig een Latent Class Model uitvoeren en de output interpreteren en rapporteren aan de hand van reporting guidelines (GRoLTS-checklist).  

Doelgroep

Deze cursus is bedoeld voor:
·         Promovendi en academische onderzoekers
·         Postdocs en universitair docenten
·         Professionals die werken met complexe cross-sectionele of longitudinale data

Ingangseisen

Voor het volgen van deze cursus is vereist dat de cursus Multilevel modellen en longitudinale data-analyse (K75) is gevolgd, of dat u beschikt over aantoonbare kennis op dit niveau.

Er is geen voorkennis van latent class modellen of Mplus vereist.

Indien u twijfelt of u aan de ingangseisen voldoet, raden wij aan om vooraf met de cursuscoördinator contact op te nemen. Dat kan via ons secretariaat epidm@amsterdamumc.nl .

Het lesmateriaal (o.a. presentaties, opdrachten en antwoordsleutels) voor deze cursus is beschikbaar op Canvas, onze digitale leeromgeving. De documenten blijven minimaal één jaar beschikbaar op Canvas.

Het meenemen van een laptop naar de cursus is dus noodzakelijk om het lesmateriaal in te zien.

Literatuur

Rens van de Schoot, Marit Sijbrandij, Sonja D. Winter, Sarah Depaoli & Jeroen K. Vermunt (2017) The GRoLTS-Checklist: Guidelines for Reporting on Latent Trajectory Studies, Structural Equation Modeling: A Multidisciplinary Journal, 24:3, 451-467, DOI: 10.1080/10705511.2016.1247646GROLTS checklist
 
Jung, T., & Wickrama, K. A. S. (2008). An Introduction to Latent Class Growth Analysis and Growth Mixture Modeling. Social and Personality Psychology Compass, 2/1, 302-317. Doi: 10.1111/j.1751-9004.2007.00054.x
 
Karen L. Nylund, Tihomir Asparouhov & Bengt O. Muthén (2007) Deciding on the Number of Classes in Latent Class Analysis and Growth Mixture Modeling: A Monte Carlo Simulation Study, Structural Equation Modeling: A Multidisciplinary Journal, 14:4, 535-569, DOI: 10.1080/10705510701575396
 
Hoekstra & Twisk (2015). The Analysis of Individual Health Trajectories Across the Life Course: Latent Class Growth Models Versus Mixed Models. In: A Life Course Perspective on Health Trajectories and Transitions. Cham (CH): Springer; 2015. Chapter 9.
 

Bij deze cursus wordt een verklaring van deelname uitgereikt als de gehele dag is bijgewoond.