Latente Vekstmodeller representerer gjentatte målinger av avhengige variabler som en funksjon av tid og andre tiltak. Slike langsgående data deler funksjonene som de samme fagene observeres gjentatte ganger over tid, og på de samme testene (eller parallelle versjoner), og til kjente tider. I latent vekstmodellering modelleres den relative posisjonen til et individ til enhver tid som en funksjon av en underliggende vekstprosess, med de beste parameterverdiene for den vekstprosessen tilpasset hver enkelt person.
disse modellene har vokst i bruk i sosial og atferdsforskning siden det ble vist at de kan monteres som en begrenset felles faktor modell i structural equation modeling framework.
metodikken kan brukes til å undersøke systematisk endring, eller vekst, og inter-individuell variasjon i denne endringen. Et spesielt tema av interesse er korrelasjonen mellom vekstparametrene, den såkalte startstatus og vekstraten, samt deres forhold til tidsvarierende og tidsinvariante kovariater. (Se McArdle and Nesselroade (2003) for en omfattende gjennomgang)
Selv om mange anvendelser av latente vekstkurvemodeller estimerer bare innledende nivå og skråningskomponenter, har disse modellene uvanlige egenskaper som uendelig økende varians. Modeller med høyere ordenkomponenter, f. eks. kvadratisk, kubisk, forutsier ikke stadig økende varians, men krever mer enn to anledninger for måling. Det er også mulig å tilpasse modeller basert på vekstkurver med funksjonelle former, ofte versjoner av den generaliserte logistiske veksten som logistiske, eksponentielle eller gompertz-funksjoner. Selv om det er greit å passe med allsidig programvare som OpenMx, kan disse mer komplekse modellene ikke utstyres med SEM-pakker der banekoeffisienter er begrenset til å være enkle konstanter eller frie parametere, og kan ikke være funksjoner av frie parametere og data.
Lignende spørsmål kan også besvares ved hjelp av en multilevel modell tilnærming.