Latent Heterogeneity in High School Academic Growth: A Comparison of the Performance of Growth Mixture Model, Structural Equation Modeling Tree, and Forest

The Growth Mixture Model (GMM) is associated with several class enumeration issues. The contemporary advancement of automated algorithms presents two promising alternatives that merge confirmatory Structural Equation Modeling (SEM) with exploratory data-mining algorithms: SEM Tree and SEM Forest. This study investigated the performance of the aforementioned three methods (i.e., the GMM, SEM Tree, and SEM Forest) to detect latent heterogeneity in academic growth across four high school grades using an illustrative subsample of the Longitudinal Study of High School of 2009. The findings showed remarkable differences in detecting latent heterogeneity across the three methods as indicated by a parsimonious number of classes, with more unique growth trajectories, capturing the latent heterogeneity in the growth factors. In contrast, SEM Tree and SEM Forest were better at tracking the influences of covariates in the model parameters’ heterogeneity, as indicated by providing more accurate measures of covariate importance and a detailed description of the role of covariates at each level of the tree or the forest. These findings imply the complementary use of these methods to obtain a clear separation between growth trajectories, as estimated by GMM; and the inclusion of most influential covariates, as identified by SEM Tree and Forest (208 words).

نموذج الخليط المتعدد للنمو (GMM) يرتبط بمسائل عديدة في عدّ الفئات. التقدم المعاصر للخوارزميات الآلية يقدم بدائل واعدة تجمع بين نموذج المعادلة البنـائية المؤكّد (SEM) مع خوارزميات التنقيب عن البيانات الاستكشافية: SEM Tree و SEM Forest. درست هذه الدراسة أداء الطرق الثلاث المذكورة (أي GMM وSEM Tree وSEM Forest) لاكتشاف التباين الكامن في النمو الأكاديمي عبر أربع درجات ثانوية باستخدام عينة فرعية توضيحية من دراسة طولية للمدرسة الثانوية في عام 2009. أظهرت النتائج فروقاً ملحوظة في اكتشاف التباين الكامن عبر الطرق الثلاث كما يشير إليها وجود عدد فئات موجَز، مع مسارات نمو فريدة أكثر، والتقاط التباين الكامن في عوامل النمو. وعلى النقيض من ذلك، كانت SEM Tree وSEM Forest أفضل في تتبّع تأثيرات المتغيرات المصاحبة في تغاير معاملات النمو في النموذج، كما يشير إلى تقديم مقاييس أكثر دقة لأهمية المتغيرات المصاحبة ووصف تفصيلي لدور المتغيرات عند كل مستوى من الشجرة أو الغابة. تشير هذه النتائج إلى الاستخدام التكاملي لهذه الأساليب لتحقيق فصل واضح بين مسارات النمو كما تم تقديرها بواسطة GMM؛ وإدراج المتغيرات المصاحبة الأكثر تأثيراً كما حددته SEM Tree وForest (208 الكلمات).