LGM 可以转换为 MEM，反之亦然，因此这些模型实际上是相同的。我在我的多层书中讨论了 LGM 章节中的比较，该章节的草稿在我的主页http://www.joophox.net/papers/chap14.pdf

这是我在研究这个主题时发现的。我不是统计人员，所以我尝试使用相对基本的概念来总结我对它的理解:-)

这两个框架以不同的方式处理“时间”：

• MEM 需要嵌套的数据结构（例如，学生嵌套在教室中），时间在最低层被视为自变量，而个人在第二层被视为独立变量
• LGM 采用潜在变量方法，并通过因子加载合并时间（这个答案详细说明了这些因子加载或“时间分数”如何工作）。

这种差异导致两个框架在处理某些数据方面的优势不同。例如，在 MEM 框架中，很容易添加更多级别（例如，学生嵌套在教室中嵌套在学校中），而在 LGM 中，可以对测量误差进行建模，并通过组合几个将其嵌入到更大的路径模型中生长曲线，或使用生长因子作为结果变量的预测因子。

然而，最近的发展模糊了这些框架之间的差异，一些研究人员将它们称为“不平等的孪生兄弟”。本质上，MEM 是一种单变量方法，时间点被视为对同一变量的观察，而 LGM 是一种多变量方法，每个时间点都被视为一个单独的变量。LGM 中潜在变量的均值和协方差结构对应于 MEM 中的固定和随机效应，因此可以使用任一框架指定相同的模型并获得相同的结果。

因此，与其将 LGM 视为 MEM 的特例，我将其视为因子分析模型的特例，其因子载荷以这样一种方式固定，即可以解释潜在（增长）因子。