研究者の立てた仮説を柔軟に表現し、データを用いた検証を行うことができる強力なツールにSEM（Structural Equation Modeling）がある。この枠組みの中では、経時的なデータや反復測定を行った縦断データについて、モデル構築の工夫を行うことによって調査対象の時間的な変化を捉える方法についても研究がなされてきた。一方、経時的なデータの分析に興味のある研究者にとっては、現在、マルチレベルモデルが隆盛していることも周知のことだろう。
このような現状において、21世紀初頭に刊行された本書ではまず、数ある経時的なデータの分析手法の中で、SEMの枠組みにおける時間をモデリングする方法として、潜在成長曲線モデル（Latent Growth curve Modeling：LGM)を取り上げながら、最も単純なモデルから発展的な方法に至るまでを順序良く解説している。また、例えば「時点0」をどこに設定すべきかなど、時間をモデルに組み込む際の留意点を、縦断的研究に造詣の深い原著者達が述べている。そして関連する多くの手法とLGMとの関連について紹介すると共に、現状と大きく相違ないLGMとマルチレベルモデルの将来像についても語られている。
本書は、SEMにおける基本的な経時的データの扱い全般、およびLGMと類似する手法との関連について興味がある読者、またLGMとマルチレベルモデルとの関連について知りたい読者に最適な一書となっている。

[原著: Latent Growth Curve Modeling, Sage Publications, Inc., 2008]
第1章 はじめに
1.1 本書の概要
1.2 潜在成長曲線モデルー略史と概要
1.3 モデルの仕様と母数の解釈
1.4 時間のスケーリング
1.5 測定の時点が異なる場合
1.6 前提条件
1.7 母数推定と欠損データ
1.8 モデルの評価と選択
1.9 検出力

第2章 現実データへの応用
2.1 データ
2.2 ソフトウェア
2.3 モデルへの適合
2.4 モデル0：ヌルモデル
2.5 モデル1：ランダム切片モデル
2.6 モデル2：固定切片，固定傾きモデル
2.7 モデル3：ランダム切片，固定傾きモデル
2.8 モデル4：ランダム切片，ランダム傾きモデル
2.9 モデル5：複数グループの解析
2.10 モデル6：条件付きの成長曲線モデル
2.11 モデル7：並列プロセスモデル
2.12 モデル8：コホート連続的デザイン
2.13 モデル9：時変共変量
2.14 モデル10：多項式の成長曲線
2.15 モデル11：形状因子をもつ不特定な軌跡のモデル
2.16 まとめ

第3章 特別なモデルの拡張
3.1 成長混合モデル
3.2 区分的な成長モデル
3.3 複数の指標を用いた潜在変数の変化のモデル化
3.4 構造化された潜在曲線
3.5 自己回帰潜在軌跡モデル
3.6 カテゴリカルまたは順序尺度のアウトカム変数の扱い
3.7 変化のパターンの間の因果関係のモデル化
3.8 まとめ

第4章 マルチレベルモデルとの関係
4.1 反復測定データのためのMLM
4.2 モデルの仕様
4.3 母数の推定
4.4 モデルの評価
4.5 MLMとLGMの重なる領域
4.6 MLMとLGMの異なる領域
4.7 ソフトウェア

第5章 まとめ

付録
A.1 プロットと診断：潜在成長曲線モデルにおける交互作用
A.2 個々の軌跡を示す


参考文献
索引