潜在成長モデルは、従属変数の反復測定値を時間およびその他の測定値の関数として表します。 このような縦データは、同じ被験者が時間の経過とともに、同じ試験（または並列バージョン）上で、および既知の時間に繰り返し観察される特徴を共有する。 潜在成長モデリングでは、各時点での個人の相対的な地位は、その成長プロセスのための最良のパラメータ値が各個人に適合されている、基礎となる生
これらのモデルは、構造方程式モデリングの枠組みの中で制限された共通因子モデルとして適合できることが示されて以来、社会的および行動
この方法論は、体系的な変化、すなわち成長、およびこの変化における個人間の変動性を調査するために使用することができる。 関心のある特別なトピックは、成長パラメータの相関、いわゆる初期状態と成長率、および時間変化および時間不変共変量との関係です。 (包括的なレビューについてはMcArdle and Nesselroade(2003)を参照)
潜在成長曲線モデルの多くの応用は初期レベルと勾配成分のみを推定しますが、これらのモデルは無期限に増加する分散などの珍しい特性を持っています。 二次、三次などの高次成分を持つモデルでは、増加する分散を予測することはできませんが、2回以上の測定が必要です。 成長曲線に基づいたモデルを関数形式で近似することもでき、多くの場合、ロジスティック関数、指数関数関数、ゴンペルツ関数などの一般化されたロジスティック成長のバージョンを近似することもできます。 OpenMxのような汎用性の高いソフトウェアには簡単に適合できますが、これらのより複雑なモデルは、パス係数が単純な定数または自由パラメータに制限され、自由パラメータおよびデータの関数になることができないSEMパッケージに適合することはできません。
同様の質問にも、マルチレベルモデルアプローチを使用して答えることができます。