Los modelos de crecimiento latente representan medidas repetidas de variables dependientes en función del tiempo y otras medidas. Tales datos longitudinales comparten las características de que los mismos sujetos se observan repetidamente a lo largo del tiempo, en las mismas pruebas (o versiones paralelas) y en momentos conocidos. En el modelado de crecimiento latente, la posición relativa de un individuo en cada momento se modela en función de un proceso de crecimiento subyacente, con los mejores valores de parámetros para ese proceso de crecimiento ajustados a cada individuo.
Estos modelos han crecido en uso en la investigación social y conductual desde que se demostró que se pueden ajustar como un modelo de factor común restringido en el marco de modelado de ecuaciones estructurales.
La metodología se puede utilizar para investigar el cambio sistemático, o crecimiento, y la variabilidad interindividual en este cambio. Un tema especial de interés es la correlación de los parámetros de crecimiento, el llamado estado inicial y la tasa de crecimiento, así como su relación con covariables temporales e invariantes en el tiempo. (Ver McArdle y Nesselroade (2003) para una revisión exhaustiva)
Aunque muchas aplicaciones de modelos de curva de crecimiento latente solo estiman componentes de nivel y pendiente iniciales, estos modelos tienen propiedades inusuales, como varianza en aumento indefinido. Los modelos con componentes de orden superior, por ejemplo, cuadráticos, cúbicos, no predicen varianza cada vez mayor, pero requieren más de dos ocasiones de medición. También es posible ajustar modelos basados en curvas de crecimiento con formas funcionales, a menudo versiones del crecimiento logístico generalizado, como las funciones logísticas, exponenciales o Gompertz. Aunque son fáciles de ajustar con software versátil como OpenMx, estos modelos más complejos no pueden equiparse con paquetes SEM en los que los coeficientes de ruta se limitan a constantes simples o parámetros libres, y no pueden ser funciones de parámetros y datos libres.
También se pueden responder preguntas similares utilizando un enfoque de modelo multinivel.