latente vækstmodeller repræsenterer gentagne målinger af afhængige variabler som en funktion af tid og andre mål. Sådanne langsgående data deler de funktioner, som de samme emner observeres gentagne gange over tid og på de samme tests (eller parallelle versioner) og på kendte tidspunkter. I latent vækstmodellering modelleres den relative status for et individ på hver gang som en funktion af en underliggende vækstproces, hvor de bedste parameterværdier for den vækstproces tilpasses hver enkelt.
disse modeller er vokset i brug i social og adfærdsmæssig forskning, da det blev vist, at de kan monteres som en begrænset fælles faktormodel i den strukturelle ligningsmodelleringsramme.
metoden kan bruges til at undersøge systematisk ændring eller vækst og interindividuel variation i denne ændring. Et særligt emne af interesse er sammenhængen mellem vækstparametrene, den såkaldte indledende status og vækstrate samt deres forhold til tidsvarierende og tidsvariante kovariater. (Se McArdle og Nesselroade (2003) for en omfattende gennemgang)
selvom mange anvendelser af latente vækstkurvemodeller kun estimerer indledende niveau-og hældningskomponenter, har disse modeller usædvanlige egenskaber, såsom ubestemt stigende varians. Modeller med komponenter med højere orden, f.eks. kvadratisk, kubisk, forudsiger ikke stadigt stigende varians, men kræver mere end to målebegivenheder. Det er også muligt at tilpasse modeller baseret på vækstkurver med funktionelle former, ofte versioner af den generaliserede logistiske vækst som f.eks. Disse mere komplekse modeller kan ikke udstyres med sem-pakker, hvor sti-koefficienter er begrænset til at være enkle konstanter eller gratis parametre, og kan ikke være funktioner med gratis parametre og data.
lignende spørgsmål kan også besvares ved hjælp af en multilevel model tilgang.