latenta tillväxtmodeller representerar upprepade mått på beroende variabler som en funktion av tid och andra mått. Sådana longitudinella data delar funktionerna att samma ämnen observeras upprepade gånger över tiden och på samma test (eller parallella versioner) och vid kända tider. I latent tillväxtmodellering modelleras en individs relativa ställning vid varje tidpunkt som en funktion av en underliggande tillväxtprocess, med de bästa parametervärdena för den tillväxtprocessen anpassad till varje individ.
dessa modeller har vuxit i bruk i social och beteendeforskning eftersom det visades att de kan monteras som en begränsad gemensam faktormodell i strukturell ekvationsmodelleringsram.
metoden kan användas för att undersöka systematisk förändring, eller tillväxt, och interindividuell variation i denna förändring. Ett speciellt ämne av intresse är korrelationen mellan tillväxtparametrarna, den så kallade initiala statusen och tillväxthastigheten, liksom deras relation med tidsvarierande och tidsinvarianta kovariater. (Se McArdle och Nesselroade (2003) för en omfattande översyn)
även om många tillämpningar av latenta tillväxtkurvmodeller endast uppskattar initiala nivå-och lutningskomponenter, har dessa modeller ovanliga egenskaper som obestämd ökande varians. Modeller med högre ordningskomponenter, t.ex. kvadratisk, kubisk, förutsäger inte ständigt ökande varians, men kräver mer än två mättillfällen. Det är också möjligt att montera modeller baserade på tillväxtkurvor med funktionella former, ofta versioner av den generaliserade logistiska tillväxten såsom logistiska, exponentiella eller Gompertz funktioner. Även om de är enkla att passa med mångsidig programvara som OpenMx, kan dessa mer komplexa modeller inte utrustas med SEM-paket där bankoefficienter är begränsade till att vara enkla konstanter eller fria parametrar, och kan inte vara funktioner för fria parametrar och data.
liknande frågor kan också besvaras med hjälp av en modell på flera nivåer.