當資料屬於類別型的長期追蹤資料（Longitudinal categorical data）時，除了可以透過廣義估計方程式（General estimate equation, GEE）來求解模型參數估計值外，潛在移轉分析（Latent transition analysis, LTA）法也是一種可行的資料分析方法。若資料的期數不多，也可以選擇將資料適度分群後使用羅吉斯迴歸分析（Logistic regression）法。當探討的反應變數為二元（Binary）型態，且觀察對象於每一期提供多個測量變數值的情況之下，廣義估計方程式與羅吉斯迴歸分析法的使用，文獻上常見先將所有的測量變數值加總後，以「中位數」作為分類的切割點。不同於以上兩種方法，潛在移轉分析法則是直接使用原始資料來取得觀察對象的潛在狀態相關訊息，因此與前二者的作法不同，可能導致後續的各項分析結果有所差異存在。 為了能夠了解造成中位數分類法與移轉分析法差異的可能因素，我們架構在潛在移轉分析法的模型下，以不同的參數設定來進行電腦模擬，比較各參數條件下的兩分類方法差異。結果發現各潛在狀態下的測量變數反應機率形式、第一期潛在狀態的組成比例等皆會對兩分類方法是否具有相同分類有所影響。另外，透過分析「青少年媒體使用與健康生活調查」的實際資料得知，潛在移轉分析會將大部分的觀察對象歸屬於「網路成癮」，而中位數分類法則是將大部分的觀察對象歸屬於「無網路成癮」。此外，可以注意到「沮喪」、「線上情色每星期平均使用天數」、及「父母相處狀況」這幾個控制變數與各分組結果的關聯性，於上述三種資料分析方法中有所不同。 / Several methods can be used to analyze longitudinal categorical data, as among them Latent Transition Analysis (LTA), and Generalized Linear Models estimated by Generalized Estimating Equations (GEE) probably the most popular. In addition, if the number of periods is two, then with certain grouping of data, the Logistic Regression can also be applied to perform the analyses. When there are more than one manifest response variable for each study subject, LTA is able to classify the subjects in terms of the original manifest response variables and proceeds with necessary analyses. On the other hand, GEE method and Logistic Regression lack the flexibility, and require certain transformation to transform the manifest response variables into a categorical response variable first. One common way to form a binary response is to sum all manifest variables, and then taking median as a cut-point. In this study, we explore the differences of the classification resulted from LTA directly and using median as a cut-point through simulations. An empirical study is also provided to illustrate the classification differences, and the differences on the subsequent analyses using LTA, GEE method, and Logistic Regression approach.