Hybrid autoregressive-latent growth structural equation models for longitudinal data represent a synthesis of the autoregressive and latent growth modeling frameworks. Although these models are conceptually powerful, in practice they may struggle to separate autoregressive and growth-related processes during estimation. This confounding of change processes may, in turn, increase the risk of the models producing deceptively compelling results (i.e., models that fit excellently by conventional standards despite highly biased parameter estimates). Including additional time points provides models with more raw information about change, which could help improve process separability and the accuracy of parameter estimates to a degree. This study thus used Monte Carlo simulation methods to examine associations between change process separability, the number of time points in a model, and the consequences of misspecification, across three prominent hybrid autoregressive-latent growth models: the Latent Change Score model (LCS), the Autoregressive Latent Trajectory Model (ALT), and the Latent Growth Model with Structured Residuals (LGM-SR). Results showed that including more time points increased process separability and robustness to misspecification in the LCS and ALT, but typically not at a rate that would be practically feasible for most developmental researchers. Alternatively, regardless of how many time points were in the model process separability was high in the LGM-SR, as was robustness to misspecification. Overall, results suggest that the LGM-SR is the most effective of the three hybrid autoregressive-latent growth models considered here.

纵向数据的混合自回归-潜在增长结构方程模型代表了自回归和潜在增长建模框架的综合。尽管这些模型在概念上很强大，但在实践中，它们可能难以在估计过程中区分自回归过程和与增长相关的过程。这种变化过程的混淆反过来可能会增加模型产生令人信服的结果的风险（即，模型与传统标准非常吻合，尽管参数估计存在很大偏差）。包括额外的时间点为模型提供了更多关于变化的原始信息，这有助于在一定程度上提高过程可分离性和参数估计的准确性。因此，本研究使用蒙特卡罗模拟方法来检查变化过程可分离性之间的关联，模型中时间点的数量，以及错误指定的后果，跨越三个突出的混合自回归-潜在增长模型：潜在变化评分模型 (LCS)、自回归潜在轨迹模型 (ALT) 和结构化潜在增长模型残差 (LGM-SR)。结果表明，包括更多时间点增加了 LCS 和 ALT 中的过程可分离性和对错误规范的鲁棒性，但通常不会以对大多数发育研究人员而言实际上可行的速度。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。以及错误指定的后果，跨越三个突出的混合自回归-潜在增长模型：潜在变化评分模型 (LCS)、自回归潜在轨迹模型 (ALT) 和具有结构化残差的潜在增长模型 (LGM-SR)。结果表明，包括更多时间点增加了 LCS 和 ALT 中的过程可分离性和对错误规范的鲁棒性，但通常不会以对大多数发育研究人员而言实际上可行的速度。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。以及错误指定的后果，跨越三个突出的混合自回归-潜在增长模型：潜在变化评分模型 (LCS)、自回归潜在轨迹模型 (ALT) 和具有结构化残差的潜在增长模型 (LGM-SR)。结果表明，包括更多时间点增加了 LCS 和 ALT 中的过程可分离性和对错误规范的鲁棒性，但通常不会以对大多数发育研究人员而言实际上可行的速度。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。跨越三个著名的混合自回归-潜在增长模型：潜在变化评分模型 (LCS)、自回归潜在轨迹模型 (ALT) 和具有结构化残差的潜在增长模型 (LGM-SR)。结果表明，包括更多时间点增加了 LCS 和 ALT 中的过程可分离性和对错误规范的鲁棒性，但通常不会以对大多数发育研究人员而言实际上可行的速度。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。跨越三个著名的混合自回归-潜在增长模型：潜在变化评分模型 (LCS)、自回归潜在轨迹模型 (ALT) 和具有结构化残差的潜在增长模型 (LGM-SR)。结果表明，包括更多时间点增加了 LCS 和 ALT 中的过程可分离性和对错误规范的鲁棒性，但通常不会以对大多数发育研究人员而言实际上可行的速度。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。和具有结构化残差的潜在增长模型 (LGM-SR)。结果表明，包括更多时间点增加了 LCS 和 ALT 中的过程可分离性和对错误规范的鲁棒性，但通常不会以对大多数发育研究人员而言实际上可行的速度。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。和具有结构化残差的潜在增长模型 (LGM-SR)。结果表明，包括更多时间点增加了 LCS 和 ALT 中的过程可分离性和对错误规范的鲁棒性，但通常不会以对大多数发育研究人员而言实际上可行的速度。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。但通常不会以对大多数发育研究人员而言实际上可行的速度进行。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。但通常不会以对大多数发育研究人员而言实际上可行的速度进行。或者，无论模型过程中有多少时间点，LGM-SR 中的可分离性都很高，对错误规范的鲁棒性也是如此。总体而言，结果表明 LGM-SR 是此处考虑的三种混合自回归潜在增长模型中最有效的。