Chủ YếU Khác Phân tích đường cong tăng trưởng tiềm ẩn

Phân tích đường cong tăng trưởng tiềm ẩn

Tổng quat

Phần mềm

Sự miêu tả

Trang web

Bài đọc

Các khóa học

Tổng quat

Có một số phương pháp thống kê có thể được sử dụng để phân tích quỹ đạo thay đổi của một biến hoặc các biến theo thời gian. Cách tiếp cận đơn giản nhất là mô tả sự thay đổi của một biến từ thời điểm này sang thời điểm thứ hai - điểm thay đổi. Tuy nhiên, trong các nghiên cứu dọc liên quan đến nhiều hơn hai đánh giá theo thời gian, các kỹ thuật phức tạp hơn được yêu cầu không chỉ để mô tả quỹ đạo của sự thay đổi mà còn để xác định mối quan hệ qua lại của các biến và các yếu tố dự báo.

Sự miêu tả

Phân tích đường cong tăng trưởng tiềm ẩn (LGCA) là một kỹ thuật mạnh mẽ dựa trên mô hình phương trình cấu trúc. Một cách tiếp cận khác, sẽ không được thảo luận trực tiếp ở đây, là mô hình đa cấp, sử dụng các kỹ thuật thống kê của hồi quy tuyến tính tổng quát và xác định các hiệu ứng cố định và ngẫu nhiên. Mặt khác, LGCA xem xét sự thay đổi theo thời gian về quy trình cơ bản, tiềm ẩn, không được quan sát. Hai cách tiếp cận tương tự nhau và trong hầu hết các trường hợp, chúng mang lại các ước tính giống hệt nhau. Tuy nhiên, LGCA linh hoạt hơn mô hình đa cấp về một số mặt và có thể khám phá các câu hỏi không thể thực hiện được với mô hình đa cấp. Ví dụ, mô hình đa cấp xử lý điểm thời gian theo cách khác nhau. Trong khi điểm thời gian được coi là dữ liệu trong MLM, chúng có thể là các tham số trong LGCA và có thể được ước tính. Với LGCA, về quỹ đạo thay đổi, hướng và dạng chức năng có thể được mô tả. Ngoài ra, điểm chặn của một đường cong, hoặc mức ban đầu của nó, có thể được kiểm tra nếu nó quan tâm đến câu hỏi nghiên cứu. Nhưng có lẽ quan trọng nhất, thay vì thống kê nhóm cung cấp đường cong trung bình hoặc điểm chặn của mẫu, LGCA có thể đại diện cho các đường cong duy nhất cho từng cá nhân hoặc các nhóm cá nhân, được biểu diễn dưới dạng độ lệch so với hàm trung bình, ngoài việc kiểm tra giả thuyết về quỹ đạo của quan tâm đến nhà nghiên cứu. Việc mất thông tin do tính trung bình các quỹ đạo duy nhất đôi khi được gọi là sai lệch tổng hợp. Nếu các cá nhân được mặc định là có thể có những thay đổi tích cực cũng như những thay đổi tiêu cực trong một biến số theo thời gian, thì một quy trình tổng hợp hoặc trung bình quỹ đạo không thích hợp để mô tả những thay đổi, vì quỹ đạo của một cá nhân có thể hủy bỏ hoặc che khuất ảnh hưởng của những người khác. các quỹ đạo.

một nghiên cứu dịch tễ học là gì

Một trong những điểm mạnh của LGCA là tính linh hoạt của nó. Người ta có thể phân tích và mô hình hóa một loạt các tham số quan tâm, bắt đầu từ một quỹ đạo tăng trưởng đơn lẻ trong một biến duy nhất (được đặc trưng bởi một điểm chặn và độ dốc) và tiến dần đến các mô hình phức tạp hơn. Trên thực tế, một số mô hình có thể được coi là trường hợp đặc biệt hoặc hạn chế của mô hình LGC, có thể xảy ra khi đáp ứng các giả định cụ thể: ví dụ, các phép đo lặp lại phân tích phương sai và phân tích nhân tố. LGCA cho phép người ta phân vùng phương sai tăng trưởng và phân tích các yếu tố dự báo khác nhau. Người ta có thể xác định vị trí các cụm trường hợp có các đường cong tăng trưởng duy nhất. Cũng có thể kết hợp sai số đo theo thời gian cụ thể, không giống như các phương pháp hồi quy truyền thống, cho phép phương sai thay đổi và đảm bảo độ tin cậy trong kết quả bằng cách cho phép ước tính các tham số riêng biệt với sai số đo. LGCA cũng cho phép hiệp phương sai giữa phương sai cho độ dốc và phương sai cho điểm chặn, không giống như các phương pháp hồi quy truyền thống. Cuối cùng, các mô hình LGCA đa biến cho phép người ta lập mô hình và kiểm tra các mối liên hệ dọc giữa một số biến kết quả được đo lặp lại theo thời gian. Một trong những điểm yếu của LGCA là nó sử dụng ngôn ngữ và kỹ thuật của các mô hình phương trình cấu trúc (SEM), đòi hỏi chuyên môn và đào tạo nâng cao để thiết kế và phân tích. Ngoài ra, các quan sát bị thiếu và các quan sát có khoảng cách không đều nhau theo thời gian cần được xử lý đặc biệt trong các mô hình.
Để hiểu cách tiếp cận phân tích của LGCA, cần có một số kiến ​​thức nền tảng về SEM. SEM đại diện cho một khung mô hình chung cho phép kiểm tra các mẫu liên kết giữa các biến quan sát và tiềm ẩn. Chúng cho phép kiểm tra mối quan hệ giữa các biến thông qua kiểm định phương sai và hiệp phương sai giữa các biến. SEM đã được sử dụng cho nhiều mục đích khác nhau, bao gồm mô hình nhân quả, phân tích đường dẫn, phân tích nhân tố và mô hình hồi quy. Nhiều SEM có thể được viết dưới dạng sơ đồ đường dẫn. Ví dụ, phương trình hồi quy tuyến tính đơn giản Y = aX + e có thể được biểu diễn trong sơ đồ đường dẫn sau (được tái tạo từ http://www.statsoft.com/textbook/structural-equation-modeling/ ). Trong sơ đồ đường dẫn, các mũi tên kết nối các biến độc lập với các biến phụ thuộc, với mũi tên chỉ về phía biến phụ thuộc và với hệ số trọng số được ghi chú phía trên thanh mũi tên. Các phương sai của các biến độc lập và các thuật ngữ sai số (hoặc phần dư) cũng được biểu diễn và kết nối với biến thích hợp bằng các đường cong không có đầu mũi tên. Các biến quan sát được bao quanh bởi một hộp và các biến tiềm ẩn hoặc không được quan sát được bao quanh bởi một hình bầu dục.

Người ta mô tả các mối quan hệ qua lại giữa các biến được giả thuyết bằng cách sử dụng một sơ đồ đường dẫn như vậy. Các quy tắc cơ bản của SEM cho phép tính toán phương sai và hiệp phương sai của các biến bằng cách sử dụng dữ liệu quan sát. Sau đó, kiểm tra chính thức các phương sai và hiệp phương sai được thực hiện để xem liệu mô hình có phù hợp với dữ liệu hay không. Để lập trình các mô hình LGCA, nói chung, cần có ít nhất 3 phép đo lặp lại của một biến theo thời gian để lập mô hình quỹ đạo (chỉ với 2 phép đo tại các thời điểm khác nhau, tốt nhất có thể ước lượng là một đường thẳng). Ngoài ra, một nguyên tắc chung là ít nhất 300-500 trường hợp thích hợp để có đủ năng lượng trong phân tích.

Việc lập trình và phân tích các mô hình LGC thường tuân theo một trình tự cụ thể. Một chuỗi tiềm năng để phân tích như sau: 1) mô hình quỹ đạo tăng trưởng tuyến tính hai yếu tố (hệ số chặn, độ dốc); 2) các mô hình khám phá đánh giá xu hướng bậc hai và bậc ba trong quỹ đạo; 3) phân tích các yếu tố dự báo tiềm năng của điểm chặn và độ dốc; 4) đánh giá sự phù hợp của mô hình; và 5) tính toán hoặc báo cáo xác suất trở thành thành viên của một nhóm hoặc quỹ đạo cụ thể. Đặc tả và báo cáo sơ đồ đường dẫn cũng thường là một phần của chuỗi phân tích này và minh họa các mối quan hệ được giả định giữa các yếu tố ở dạng có thể truy cập được. Điều thú vị là thời gian không được coi là một biến giải thích như trong các kỹ thuật hồi quy truyền thống. Thay vào đó, trong LGCA, tải nhân tố cho biến với các số đo lặp lại bị hạn chế để đại diện cho xu hướng thời gian đã được công nhận. Theo nghĩa này, mỗi thời điểm được coi là một biến riêng biệt và kết quả là LGCA được gọi là phương pháp tiếp cận đa biến. Có nhiều chương trình phần mềm được thiết kế để xây dựng và phân tích các mô hình phương trình cấu trúc, bao gồm Mplus, Amos, EQS, LISREL và SAS. Có nhiều kỹ thuật ước lượng khác nhau có thể được sử dụng trong SEM nói chung và LGCA nói riêng. Một quy trình ước lượng, tối ưu cho dữ liệu bị thiếu, là ước tính khả năng xảy ra tối đa (FIML) đầy đủ thông tin, sử dụng tất cả dữ liệu có sẵn và không yêu cầu xóa các biến trong trường hợp thiếu giá trị.

Cuối cùng, một bước thiết yếu trong phân tích LGCA là đánh giá sự phù hợp của mô hình. Vì điều quan trọng là phải đánh giá xác suất từ ​​chối mô hình đường cong tăng trưởng tiềm ẩn giả thuyết, khi mô hình phù hợp không tốt, hoặc nói cách khác là không đúng trong tổng thể. Vì hầu hết LGM không phù hợp chính xác với dân số, việc sử dụng sức mạnh thống kê cao sẽ dẫn đến việc loại bỏ các mô hình phù hợp rất tốt. Do đó, khi lắp các mô hình, người ta không nên dựa nhiều vào kiểm tra tỷ lệ khả năng xảy ra và nên sử dụng các phương pháp khác có thể liên quan đến một số chỉ số bao gồm chi-square, chỉ số chi-square được quy chuẩn, chỉ số phù hợp so sánh, Chỉ số Tucker-Lew và Gốc Phương pháp xấp xỉ trung bình (RMSEA). Lưu ý rằng các chỉ số phù hợp này khác với các chỉ số được sử dụng trong hồi quy truyền thống, chẳng hạn như AIC và BIC. Các mô hình khác nhau có thể được so sánh bằng cách sử dụng các thống kê phù hợp này, nhưng điều quan trọng cần nhớ là một mô hình phù hợp tốt không có nghĩa là nó minh họa mối liên hệ nhân quả giữa các yếu tố đã được công nhận.

Bài đọc

Sách giáo khoa & Chương

  1. Li, Fuzhong. Phân tích đường cong tiềm ẩn: sổ tay dành cho các nhà phân tích dữ liệu nghiên cứu. Viện nghiên cứu Oregon, Eugene, OR. Có sẵn ở đây Truy cập tháng 4 năm 2013. (Cung cấp phần giới thiệu khái niệm ngắn gọn sau đó là các cách tiếp cận lập trình chi tiết và mã cho LGCA bằng cách sử dụng một số chương trình khác nhau.)

  2. Willet JB, Bub K. Structural Equation Modelling: phân tích đường cong tăng trưởng tiềm ẩn trong: Encyclopedia of Statistics in Behavioral Science, ed: Everitt BS and Howell DC. John Wiley & Sons, Chichester, 2005: 1912-1922. (Trình bày về việc sử dụng LGCA coucated về mặt mô hình hóa phương trình cấu trúc, với một ứng dụng ví dụ.)

  3. Mô hình đường cong tăng trưởng tiềm ẩn. Trong: Preacher KJ, chủ biên. Los Angeles :: SAGE; 2008. Có sẵn tại đây và đây (Cuốn sách này cung cấp phần giới thiệu mạnh mẽ về các mô hình đường cong tăng trưởng tiềm ẩn. Các tác giả mô tả ngắn gọn mối liên hệ giữa các mô hình đường cong tăng trưởng tiềm ẩn và mô hình đa cấp và cách SEM đại diện cho các mô hình đường cong tăng trưởng tiềm ẩn)

Các bài báo về phương pháp luận

  1. Andruff H, Carraro N, Thompson A, Gaudreau P. Mô hình tăng trưởng lớp tiềm ẩn: một hướng dẫn. Tut Quant Meth Psych 2009; 5 (1): 11-24. (Phần giới thiệu tuyệt vời về LGCA với giải thích chi tiết về lập trình phân tích sử dụng SAS)

    tạp chí bá đạo, inc. v. falwell
  2. Hertzog C, Nesselroade JR. Đánh giá sự thay đổi tâm lý ở tuổi trưởng thành: tổng quan về các vấn đề phương pháp luận. Psych và Lão hóa 2003; 18 (4): 639-657. (Đánh giá toàn diện các vấn đề trong việc đo lường và giải thích sự thay đổi theo thời gian. Cung cấp nhiều chi tiết về cơ sở thống kê khái niệm của LGCA và mô hình đa cấp, đồng thời so sánh và đối chiếu việc sử dụng cả hai.)

  3. Llabre M, Spitzer S, Siegel S, và cộng sự. Áp dụng mô hình đường cong tăng trưởng tiềm ẩn để khảo sát sự khác biệt của từng cá nhân trong quá trình hồi phục tim mạch sau căng thẳng. Psychosom Med2004; 66: 29-41. (Một minh họa về việc sử dụng LGCA với phần giới thiệu khái niệm ngắn gọn, hay về LGCA. Một phụ lục cũng có mã cho bản phân tích.)

  4. Stoel RD, van Den Wittenboer G, Hox J. Phân tích dữ liệu dọc bằng cách sử dụng hồi quy đa cấp và phân tích đường cong tăng trưởng tiềm ẩn. Metodologia de las Ciencias del Comportamiento2003. (So ​​sánh rõ ràng và có tổ chức tốt giữa LGCA và mô hình đa cấp. Bài báo minh họa sự khác biệt giữa MLM và LGCA khi một số giả định nhất định bị vi phạm và cũng cho thấy các ví dụ trong đó LGCA được ưu tiên hơn MLM và Viceversa.)

  5. MacCallum RC, Kim C, Malarkey WB, Kiecolt-Glaser JK. Nghiên cứu sự thay đổi đa biến bằng cách sử dụng mô hình đa cấp và mô hình đường cong tiềm ẩn. Nghiên cứu hành vi đa biến. 1997; 32 (3): 215. (Các so sánh đã được rút ra giữa mô hình đa cấp và mô hình đường cong tăng trưởng tiềm ẩn. Bài báo này trình bày tổng quan về cả hai, mối quan hệ của chúng và các trường hợp trong đó việc sử dụng cái này sẽ tốt hơn việc sử dụng cái kia. Đơn giản, MacCallum và cộng sự, cung cấp một (rất dài), nhưng đánh giá đầy đủ thông tin về MLM và LGCA trong sự thay đổi đơn biến, chúng cũng chỉ ra cách chúng áp dụng cho sự thay đổi đa biến, trình bày một ví dụ và sau đó so sánh hai cách tiếp cận.)

Các bài báo ứng dụng

  1. Brunet J, Sabiston CM, Chaiton M, et al. Mối liên quan giữa hoạt động thể chất trong quá khứ và hiện tại và các triệu chứng trầm cảm ở thanh niên: một nghiên cứu tiền cứu kéo dài 10 năm. Ann Epi2013; 23: 25-30. (Một ví dụ về việc sử dụng LGCA để mô tả mối liên hệ theo chiều dọc giữa hoạt động thể chất vừa phải ở tuổi vị thành niên và các triệu chứng trầm cảm ở tuổi thanh niên. Minh họa sự trùng lặp giữa LGCA và các phương pháp mô hình đa cấp để phân tích sự thay đổi theo thời gian.)

  2. Griffin MJ, Wardell JD, Đọc JP. Hành vi lạm dụng tình dục và uống rượu gần đây ở sinh viên đại học mới trúng tuyển: một phân tích tăng trưởng tiềm ẩn. Psych Add Behav 2013: Xuất bản trực tuyến trước. Doi: 10.1037 / a0031831. (Một ví dụ về việc sử dụng LGCA để mô tả các mối liên quan giữa thời gian trở thành nạn nhân tình dục và thời gian của hành vi uống rượu. Minh họa rõ ràng cách tiếp cận từng bước để xây dựng và giải thích mô hình.)

  3. Heine C, Browning C, Cowlishaw S, Kendig H. Các quỹ đạo về tình trạng khó nghe của người lớn tuổi: kiểm tra ảnh hưởng của các hành vi sức khỏe và hoạt động xã hội trong 10 năm. Geriatr Gerontol Int 2013: trực tuyến doi: 10.1111 / ggi.12030. (Một ví dụ về việc sử dụng LGCA để mô tả các quỹ đạo của suy giảm thính lực liên quan đến tuổi tác và các yếu tố lối sống như dinh dưỡng, hút thuốc và hoạt động xã hội. Kết hợp một bản tóm tắt ngắn gọn về việc sử dụng LGCA và giải thích rõ ràng về kết quả và cách thức để diễn giải các mô hình LGCA.)

  4. Zahodne LB, Devanand DP, Stern Y. Cùng với sự thay đổi nhận thức và chức năng trong Bệnh Alzheimer và ảnh hưởng của các triệu chứng trầm cảm. J Alzh Dis 2013; 34: 851-60. (Ví dụ về việc sử dụng mô hình LCGA đa biến để kiểm tra các mối liên quan theo chiều dọc giữa nhận thức, chức năng và trầm cảm ở bệnh nhân mắc bệnh Alzheimer được theo dõi 6 tháng một lần trong 5,5 năm.)

  5. Muthen, Bengt O. Phân tích dữ liệu dọc bằng cách sử dụng các mô hình biến tiềm ẩn với các tham số khác nhau. (2011).

  6. Jackson, Joshua J., và cộng sự. Một chú chó già có thể học (và muốn trải nghiệm) những mánh khóe mới không? Huấn luyện nhận thức làm tăng sự cởi mở để trải nghiệm ở người lớn tuổi. Tâm lý và lão hóa 27,2 (2012): 286 (Bài báo này là một trong những nghiên cứu đầu tiên mô tả sự thay đổi trong đặc điểm tính cách (tính cởi mở) do tiếp xúc với một biện pháp can thiệp nhằm cải thiện chức năng nhận thức. Trong phân tích, các nhà nghiên cứu đã sử dụng bậc hai LGM vì họ muốn điều chỉnh lỗi đo do các phép đo lặp lại.)

    nhà của karen russell st lucy

Các khóa học

  1. ĐẾN hội thảo một ngày về mô hình đường cong tăng trưởng có sẵn thông qua EPIC

  2. Mô hình hóa phương trình cấu trúc nâng cao do Randall Schumacker giảng dạy. Có sẵn ở đây (Đây là một khóa học trực tuyến minh họa các mô hình SEM tiên tiến đi kèm với các ứng dụng thực tế. Tuy nhiên, nó cũng dạy cho sinh viên cách kết hợp các đường cong tăng trưởng biến tiềm ẩn vào các mô hình)

  3. Mô hình đường cong tăng trưởng tiềm ẩn (LGCM): Phương pháp tiếp cận mô hình hóa phương trình cấu trúc (Chapel Hill, NC) (2-6 tháng 6 năm 2014). Có sẵn ở đây . (Khóa học này sẽ giới thiệu khái niệm về các mô hình LGC, lý thuyết và ứng dụng của nó. Tuy nhiên, cần phải có kiến ​​thức trước về phần mềm SEM.)

  4. Giới thiệu về Lập mô hình phương trình cấu trúc, khóa học trực tuyến Có sẵn tại đây

Bài ViếT Thú Vị

Editor Choice

Rick D'Avino
Rick D'Avino
Rick D'Avino là Giám đốc Điều hành tại PricewaterhouseCoopers, nơi ông làm việc với Phó Chủ tịch và Đối tác Quản lý Hoa Kỳ của PwC, Lãnh đạo Thuế Toàn cầu, Lãnh đạo Thuế Hoa Kỳ, và với hoạt động chính sách thuế của PwC tại Washington, DC. Ngoài ra, Rick hiện là Chủ tịch nhóm Giải pháp nguồn lực cho Thuế của PwC. Rick đã làm việc cho GE từ năm 1991 đến năm 2013, với tư cách là Phó chủ tịch kiêm Cố vấn thuế cấp cao tại GE Capital cho đến năm 2005 và sau đó là Phó chủ tịch kiêm Cố vấn thuế cấp cao tại General Electric Company. Rick chịu trách nhiệm về tất cả các khía cạnh thuế cho GE Capital và sau năm 2005, cho GE Corporate và cho sự quan tâm của GE đối với NBC Universal. Rick cũng phục vụ trong Hội đồng quản trị của GE Capital Corporation và GE Capital Services từ năm 2009 đến năm 2012, và của GE SeaCo, một liên doanh giữa GE và Sea Containers Ltd., từ năm 1996 đến năm 2011. Rick bắt đầu sự nghiệp của mình làm thư ký cho Thẩm phán Alvin B. Rubin tại Tòa phúc thẩm Hoa Kỳ cho Vòng thứ Năm, sau đó ông là cộng sự tại Cohen & Uretz ở Washington, DC. Rick sau đó làm Luật sư-Cố vấn và Phó Cố vấn Pháp luật về Thuế trong Bộ Tài chính Hoa Kỳ từ năm 1983- Năm 1987. Trước khi gia nhập GE, Rick là đối tác thuế tại King & Spalding ở Washington, DC Rick là thành viên của Hội đồng Tư vấn Dịch vụ Thuế vụ, Ủy ban Điều hành Bộ phận Thuế của Hiệp hội Luật sư Bang New York, và Washington, DC và Quán bar Pennsylvania. Rick từng là Giáo sư trợ giảng tại Trung tâm Luật Đại học Georgetown từ năm 1982-1990 và là Giảng viên Luật tại Penn Law. Rick phục vụ trong Ủy ban Giám sát Luật Penn, là Chủ tịch Hội đồng Quản lý Cựu sinh viên Luật Penn, và đã hoàn thành hai nhiệm kỳ trong Hội đồng Quản trị tại Đại học Pitzer. Anh ấy nằm trong Hội đồng quản trị của DomusKids, một tổ chức giáo dục và phúc lợi trẻ em Connecticut, từ năm 1994 đến năm 2018. Năm 2018, Rick được bầu làm Chủ tịch Hội đồng quản trị của Học viện Domus 'Stamford, một trường bán công dành cho học sinh từ lớp 9 đến lớp 12, những người đã gặp khó khăn trong môi trường học truyền thống. Rick là thành viên Hội đồng quản trị và là Phó Chủ tịch của National Sawdust, một tổ chức phi lợi nhuận có trụ sở tại Brooklyn, cung cấp các cơ sở nghệ thuật hiện đại và hỗ trợ cho nhiều nhà soạn nhạc, nhạc sĩ và nghệ sĩ. D’Avino đã nhận được bằng B.S. từ Trường Wharton của Đại học Pennsylvania năm 1977 và tốt nghiệp trường luật năm 1980, nơi ông là biên tập viên Tạp chí Luật của Đại học Pennsylvania.
Đánh giá sách: 'Kill' Em and Leave: Tìm kiếm James Brown và Linh hồn Mỹ
Đánh giá sách: 'Kill' Em and Leave: Tìm kiếm James Brown và Linh hồn Mỹ '
Selahattin Demirtas v. Thổ Nhĩ Kỳ (số 2)
Selahattin Demirtas v. Thổ Nhĩ Kỳ (số 2)
Columbia Global Freedom of Expression tìm cách nâng cao hiểu biết về các chuẩn mực và thể chế quốc tế và quốc gia nhằm bảo vệ tốt nhất luồng thông tin và ngôn luận tự do trong một cộng đồng toàn cầu được kết nối với nhau với những thách thức chung lớn cần giải quyết. Để đạt được sứ mệnh của mình, Global Freedom of Expression đảm nhận và ủy thác các dự án nghiên cứu và chính sách, tổ chức các sự kiện và hội nghị, đồng thời tham gia và đóng góp vào các cuộc tranh luận toàn cầu về bảo vệ quyền tự do ngôn luận và thông tin trong thế kỷ 21.
A Sound of Trumpets
A Sound of Trumpets
Kênh tiêu chí dành chương trình dành cho các bộ phim 'do Bette Gordon làm đạo diễn' để phát trực tuyến
Kênh tiêu chí dành chương trình dành cho các bộ phim 'do Bette Gordon làm đạo diễn' để phát trực tuyến
Chương trình phát trực tuyến đặc biệt trên Kênh Criterion sẽ nêu bật vai trò có ảnh hưởng của Gordon trong cộng đồng điện ảnh độc lập vào ngày 17 tháng 6.
Sư phạm chiêm nghiệm
Sư phạm chiêm nghiệm
Frank Pugliese bị mắc kẹt làm người dẫn đường mới cho House of Cards
Frank Pugliese bị mắc kẹt làm người dẫn đường mới cho House of Cards
Giáo sư Viết bài Truyền hình Frank Pugliese đã được khai thác để trở thành người dẫn chương trình tiếp theo của loạt phim House of Cards của Netflix được đánh giá cao về mặt thương mại và phê bình, hợp tác với nhà văn đồng hương Melissa James Gibson’91 GS.