[ES] El contexto general de esta investigación, se enmarca en el estudio del problema que puede surgir en la aplicación de los Modelos de Clases Latentes, cuando se incumplen las propiedades asintóticas de los estadísticos de bondad de ajuste, situación que se presenta en las tablas de contingencia poco ocupadas, conocidas como “sparse data”. Los datos “sparse” se presentan a menudo en conjuntos de datos pequeños o cuando el número posible de patrones de respuesta es grande, ya que la mayoría de los patrones de respuestas tienen frecuencias cero o tienden a cero.
Se han propuesto algunas soluciones para hacer frente al problema. Una de ellas es encontrar el modelo de clases latentes más apropiado utilizando el método Bootstrap Paramétrico. Básicamente, el método consiste en simular conjuntos de datos adicionales (o remuestras), utilizando una distribución de probabilidad conocida.
[EN]The context of this investigation, is part of the study of problem that can arise in the application of latent class models, where are broken asymptotic properties of the goodness of fit statistics, a situation that is presented in contingency tables bit busy, known as "sparse data ". The data "sparse" are often in small data sets or when the number of response patterns is large, since most of the patterns of frequency responses are zero or approach zero.
Have proposed some solutions to address the problem. One of them is to find the latent class model using the method most appropriate Parametric Bootstrap. Basically, the method is to simulate additional data sets (or resampled) using a known probability distribution.
