有別於傳統成長模式僅提供單一成長軌跡的參數估計，GMM分析針對異質 性次群體，提供類別特定的成長軌跡估計。目前有能力進行異質性成長軌跡分析 的統計套裝軟體以Mplus的模式設定功能最為完善。本研究即利用Mplus6.1，並 成功地示範以本研究所發展的六步驟機制，對台灣青少年研究之憂鬱實徵資料，
進行軌跡描述與預測。具體而言，本研究利用GMM統計模式，探討台灣青少年 研究（TYP）的六波憂鬱縱貫軌跡。並加入第一波的親戚升學經驗與自身補習經 驗，以及第七波的升學或就業的選擇，分析親戚與補習經驗對青少年憂鬱發展 類型的影響，以及憂鬱發展類型對升學或就業選擇的影響。綜合分析發現，TYP 六波憂鬱分數呈現二次方曲線變化，而憂鬱的曲線軌跡主要分為三種類型，此一 結果與另一研究針對TYP國中三波段憂鬱軌跡進行異質性分類的結果吻合（王郁 琮，印製中）。另外研究者亦發現「親戚小孩升學經驗所產生的壓力」與「自身 參加補習的經驗」對「合群快樂型」青少年在七年級的憂鬱分數的提升，有顯著
表7 第七年升學/就業二分變項邏輯斯廻歸 Odds Ratio
註：Class 1「合群快樂型」； Class 2「晚發憂鬱型」；Class 3「早發型」。
效果。而「晚發憂鬱型」以及「早發憂鬱型」的受試者，則不受以上任何變項影 配指標，例如：CFI與GFI > .95; RMSEA與SRMR < .05等，可供直接判斷。異質 性分析的GMM模式以及其他類型的混合模式（mixture model），例如橫斷研究 的因素混合模式（Factor Mixture Model）（王郁琮、溫福星，2011，2012），
或巢套資料的多層次混合模式（Multilevel Mixture Model）（王郁琮，2012；王 郁琮、溫福星，2013），其所使用的適配指標都是相對性指標（comparative fit index），而且適配指標的數值只是模式判定的標準之一，研究者尚須考慮眾多 其他因素（Cudeck & Henly, 2003; Muthén, 2003; Rindskopf, 2003）。雖然本研究 試圖建構GMM模式發展的策略建構機制，但是學者在進行混合分配分析時，需 要統合考量若干面向，包括：理論依據（Muthén, 2003）、精簡原則（Rindskopf, 2003）以及結果的可解釋性與預測性（Cudeck & Henly, 2003）等，才可能做出最 佳判斷。
另外GMM模式因為同時估計若干次群體的成長軌跡，導致模式參數過多，
經常產生非正定矩陣、估計無法收斂、參數估計值不合理、以及區域性估計等問 題。針對這些問題，文獻建議研究者可以考慮半母數的GMM模式或者無母數的 成長模式（LCGA）進行分析（王郁琮，2014，Bauer & Curan, 2003; Nagin, 1999;
Nagin & Tremblay, 2001）。至於究竟採用母數或者無母數mixture model，需依照 其研究議題中心旨趣，嚴選真正反應其研究議題的分析模式（王郁琮，2012；王
題外，同時代表研究者支持其實徵研究符合半母數（semi-parametric）的分配型 態（王郁琮，2014；Bauer, & Curran, 2003; Masyn, Henderson, & Greenbaum, 2010;
Nagin, 1999）。
最後，GMM模式延續McLachlan 與 Peel（2000） 的「有限（類別）混合模 式」（Finite Mixture Models）的脈絡，其拆解潛在異質性次群體的工作，主要立 基在假設研究資料的非常態分配，肇因於該樣本潛藏著若干常態次分配的基礎。
然而，非常態分配背後是否真實存在著若干常態分配次群體，還是非常態分配本 身僅是忠實反應出樣本的非常態本質，則是mixture model以及任何其他統計方法 至今無法解答的謎題，也是眾家統計方法學者爭論不休的課題（王郁琮，2014，
2012；王郁琮、溫福星，2013；Bauer, & Curran, 2003; 2004; Cudeck & Henly, 2003; Muthén, 2003; Nagin, 1999; Rindskopf, 2003）。Bauer等人堅持其模擬研究 發現，在微小偏離常態分配的單一樣本模擬資料條件下，mixture model也可能偵 測出二類型多樣本。換言之，mixture model的潛在類別個數容易出現過度估計的 情形（Bauer, & Curran, 2003）。但是其他學者則反駁，mixture model具有許多獨 特分析功能，例如提供異質性分類的截斷值（cut-off score），提供實務工作者在 診斷處遇的分類上，一個明確的標準（王郁琮，2014；王郁琮、溫福星，2012，
2011；Cudeck & Henly, 2003; Muthén, 2003; Rindskopf, 2003）。Muthén（2003）
更是明確指出，如果mixture model的潛在次群體分類，可以幫助實務應用研究更 精準地預測一些特定個體的行為，次群體的過度預測（如果真的過度），是統計 方法學者最需要在乎關心的嗎？究竟mixture models統計模式所倡導的異質性混合 分配的概念，對於心理學以及其他行為科學實徵研究對於因果關係探討所造成的