前期，我们介绍了组轨迹模型的基本原理，需要回顾的小伙伴查看前期内容哦。

本期，我们来介绍一下组轨迹模型(GBTM)的拟合、评价与结果呈现，如何才能使我们的拟合效果兼顾统计学意义和专业可解释性，实现鱼与熊掌兼顾？上回说到，组轨迹模型是一种典型的事后分组方法，得到的轨迹组是基于数据驱动的统计“虚构”组，它更倾向于“完美”地呈现出数据特征而不一定可以获得“合理”的专业解释。因此，为了确定最佳的轨迹组数和轨迹形态我们需要拟合多个组轨迹模型，进一步通过比较不同模型的拟合指标和模型的专业解释性来选择最佳的模型。

今日正题：

目录： 一、初筛-不同模型统计学拟合指标比较

二、精筛-充分考虑模型专业可解释性

三、组轨迹模型内评价

四、对轨迹组的进一步分析

五、双组轨迹模型

一、初筛-不同模型统计学拟合指标比较

首先，我们要绘制总体的发展曲线，肉眼观察总体异质性（样本量比较多的时候往往难以区分，除非数据具有明显的分离特征），不过按照领导要求，咱们还是放上去。

然后，我们要借助组轨迹模型发现总体的异质性。做探索性的“广撒网”是组轨迹模型的第一步：①构建多个含有不同组（一般是2~6组）的组轨迹模型，每个模型分别拟合线性、平方和立方项等具体形式；②通过比较不同模型的BIC、△BIC、平均后验概率( Average posterior probability,AvepP)、每个轨迹组的比例(Proportions per class%)和相对熵值(Relative entropy,Ek)等拟合指标，得到统计学拟合效果还不错的初步模型；③在论文或附件中报告模型初筛表，即表1的形式；④确定初筛的结果。

比如对于表1，过对比模型的统计学拟合指标，我们认为2、3、4组轨迹模型都有较好的拟合效果。

表1 多组轨迹模型的拟合效果评价指标