Afhandlingen har to dele: en klinisk del der omhandler dimensioner af human immundefekt virus associeret lipodystrofisyndrom (HALS) ved latent class models, og en statistisk del, der omhandler scoring af latente variable, og de statistiske egenskaber når disse benyttes i en efterfølgende regressionsanalyse.

HALS består af de fænotypiske ændringer perifer lipoatrofi og central lipohypertrofi. Der er flere forskellige definitioner af HALS og ikke enighed om antallet af fænotyper. Mange af definitionerne går ud på at optælle antallet af symptomer og tager ikke højde for patientens karakteristika. Disse metoder kan resulterer i en fejlagtig reduktion af antallet af dimensioner enten fordi symptomer fra forskellige fænotyper kombineres eller fordi at HALS og andre biologiske processer såsom aldring blandes.

Latent class models identificerer homogene grupper af patienter med hensyn til sæt af variable, for eksempel symptomer. Da der ikke findes nogen gylden standard til diagnosticering af HALS, kan de normalt anvendte diagnostiske modeller ikke bruges. Latent class models, gør det muligt: at udføre en statistisk analyse af antallet af fænotyper, at teste for blanding af HALS med andre processer (differentiel item funktion), at beregne sensitivitet og specificitet af symptomerne, at beregne prædiktive værdier for patienter (posteriore sandsynligheder), samt at vurdere effekten af
risikofaktorer på HALS.

Ved at anvende latent class models fandt jeg to forskellige latente klasser for lipodystrofi: en med isoleret perifer lipoatrofi og en med både perifer lipoatrofi og central lipohypertrofi. Efter at patient karakteristika blev inddraget i modellerne viste det sig, at rygestatus er en væsentlig variabel til at forklare, hvorfor nogle patienter ikke får central lipohypertrofi. Resultaterne indikerer således at perifer lipoatrofi og central lipohypertophy er associered  fænotyper snarere end to uafhængige fænotyper.

Latent class regression relaterer kovariater til latente klasser. Denne model producerer ikke et mål for den latent variabel, selvom dette ofte ville være ønskværdigt. Jeg har foreslået en ny metode til at prædiktere klasse medlemskab på. I modsætning til metoder baseret på posteriore sandsynligheder giver metoden konsistente estimater, når scoren i en efterfølgende analyse regresseres på kovariater.

Der er fire forskellige grundmodeller inden latente variabel modeller: faktoranalyse, latent class analysis, latent profile analysis og latent trait analysis. Jeg har givet et generelt overblik over, hvordan man kan prædikterer scorer af den latente variable, så disse kan anvendes i efterfølgende regressionsmodeller. To forskellige principper til at prædiktere scorerne viste sig at være overlegne, den ene når den latente variabel er en afhængig variabel, og den anden, når den latente variabel er en uafhængig variabel. Begge disse typer af scorer er udvidet til situationen med differentiel item funktion. Analytisk har jeg vist, at scorerne resulterer i konsistente estimater, når de anvendes i den efterfølgende regressionsanalyse. I simulationsstudier er scorernes egenskaber undersøgt ved sammenligning med fuld maximum likelihood et trins estimation. Resultaterne indikerer, at den trinvise regressionsanalyse er stort set uden bias samt kun har et mindre tab af efficiens i forhold til fuld maximum likelihood et trins estimation.