latentin kasvun mallit kuvaavat riippuvien muuttujien toistuvia mittoja ajan funktiona ja muita mittoja. Tällaiset pituussuuntaiset tiedot jakavat piirteitä, että samoja koehenkilöitä havaitaan toistuvasti ajan mittaan ja samoilla testeillä (tai rinnakkaisilla versioilla) ja tunnetuilla hetkillä. Piilevässä kasvumallinnuksessa yksilön suhteellinen asema kullakin kerralla mallinnetaan taustalla olevan kasvuprosessin funktiona siten, että kullekin yksilölle on sovitettu kyseisen kasvuprosessin parhaat parametriarvot.
nämä mallit ovat yleistyneet yhteiskunnallisessa ja käyttäytymistutkimuksessa sen jälkeen, kun osoitettiin, että ne voidaan sovittaa suppeaksi yhteistekijämalliksi rakenneyhtälön mallinnuskehykseen.
menetelmän avulla voidaan tutkia systemaattista muutosta eli kasvua ja yksilöiden välistä vaihtelua tässä muutoksessa. Erityisen kiinnostava aihe on kasvuparametrien, niin sanotun alkutilanteen ja kasvunopeuden korrelaatio sekä niiden suhde aikavaihteleviin ja aika-invariantteihin kovariaatteihin. (KS.McArdle and Nesselroade (2003) kattavaa katsausta varten)
vaikka monissa latentin kasvukäyrän malleissa arvioidaan vain lähtötason ja kaltevuuden komponentteja, näillä malleilla on epätavallisia ominaisuuksia, kuten loputtomasti kasvava varianssi. Mallit, joissa on korkeamman kertaluvun komponentteja, esim.neliö, kuutio, eivät ennusta alati kasvavaa varianssia, vaan vaativat enemmän kuin kaksi mittauskertaa. On myös mahdollista sovittaa kasvukäyriin perustuvia malleja funktionaalisilla muodoilla, jotka ovat usein versioita yleisestä logistisesta kasvusta, kuten logistiset, eksponentiaaliset tai Gompertz-funktiot. Vaikka nämä monimutkaisemmat mallit on helppo sovittaa monipuolisiin ohjelmistoihin, kuten OpenMx: ään, niitä ei voida varustaa sem-paketeilla, joissa polkukertoimet rajoittuvat yksinkertaisiin vakioihin tai vapaisiin parametreihin, eivätkä ne voi olla vapaiden parametrien ja tietojen toimintoja.
vastaaviin kysymyksiin voidaan vastata myös monitasomallin avulla.