modely latentního růstu představují opakovaná měření závislých proměnných jako funkce času a dalších opatření. Taková podélná data sdílejí rysy, které jsou stejné subjekty opakovaně pozorovány v průběhu času a na stejných testech (nebo paralelních verzích) a ve známých časech. V latentní modelování růstu, relativní postavení jednotlivce v každé době je modelována jako funkce základní proces růstu, s nejlepší hodnoty parametrů pro tento proces růstu je vybavena každého jednotlivce.
Tyto modely se pěstuje v použití v sociální a behaviorální výzkum, protože bylo prokázáno, že mohou být namontovány jako omezený společný faktor modelu strukturální rovnice modelování rámec.
metodiku lze použít ke zkoumání systematické změny nebo růstu a interindividuální variability této změny. Zvláštní oblastí zájmu je korelace růstových parametrů, tzv. počáteční stav a tempo růstu, stejně jako jejich vztahu s časově proměnnou a časově invariantní proměnné. (Viz McArdle a Nesselroade (2003) pro komplexní přezkum)
i když mnoho aplikací latentní růstové křivky modelů odhadnout pouze počáteční úroveň a sklon komponenty, tyto modely mají neobvyklé vlastnosti, například na dobu neurčitou zvyšuje rozptyl. Kvadratické, kubické, nepředpovídají stále rostoucí rozptyl, ale vyžadují více než dvě příležitosti měření. Je také možné přizpůsobit modely založené na růstových křivkách funkčními formami, často verzemi generalizovaného logistického růstu, jako jsou logistické, exponenciální nebo Gompertzové funkce. I když jednoduché, aby se vešly s univerzální software, jako je OpenMx, tyto složitější modely nemohou být vybaveny SEM balíčky, v nichž cesta koeficienty jsou omezeny na jednoduché konstanty nebo volných parametrů, a nemůže být funkce bez parametrů a údajů.
podobné otázky lze také zodpovědět pomocí víceúrovňového modelového přístupu.