Latent GOLD 6.0

Latent GOLD®是一个功能强大的潜在类别和有限混合程序，具有非常用户友好的点击式界面 (GUI)。有两个附加选项可用于扩展程序的基本版本。

Advanced/Syntax 插件通过使用包括直观的 LG-equations™ 在内的语法命令语言为高级用户提供更多控制。此插件还包含更高级的 GUI 建模功能，例如潜在（隐藏）马尔可夫和多级模型。

Choice 插件允许通过点击式界面估计离散选择模型。当同时获得 Choice 和 Advanced/Syntax add-on 时，可以估计各种高级选择模型，并且还可以使用 Syntax 来进一步定制离散选择模型。

下载试用

选项说明：

LC Cluster

Latent GOLD® 的集群模块提供了基于潜在类模型的最先进的集群分析。 潜在类别是不可观察的（潜在）子组或段。 同一潜在类别中的案例在某些标准（变量）上是同质的，而不同潜在类别中的案例在某些重要方面彼此不同。

传统的潜在类别模型可用于处理分类变量中的测量和分类错误，并且可以容纳名义、有序、连续、计数或这些的任意组合的可变量。 协变量也可以直接包含在模型中，以改进集群描述。

Latent GOLD® 通过包括模型选择标准和基于概率的分类来改进传统的 ad-hoc 类型的聚类分析方法。 后验成员概率直接从模型参数估计，并用于将案例分配给类。

另请参阅 Latent GOLD® 教程 #1

返回页首

Discrete Factor (DFactor)

DFactor 模型通常用于减少变量或定义有序的态度尺度。 它包含一个或多个 DF 因子，这些 DF 因子将共享同一变异源的变量组合在一起。 每个 DFactor 要么是二分法（默认选项），要么由 3 个或更多有序级别（有序潜在类）组成。

通过这种方式，Latent GOLD®的因子模块与传统因子分析相比具有以下几个优势：

解决方案可以立即解释，不需要轮换
假设因子是有序的而不是连续的
估计因子分数不需要额外的假设
观察到的变量可以是名义变量、有序变量、连续变量或计数变量，或这些变量的任意组合
另请参阅 Latent GOLD® 教程 2、Latent GOLD®教程 6A 和关于离散因子模型的离散因子模型参考。

返回页首

LC Regression and Growth

回归模型用于将因变量预测为同质总体中预测变量的函数。

Latent GOLD® 还可以通过包含分类潜在变量来估计异质人群中的回归模型。该潜在变量的每个类别代表具有相同回归系数的同质亚群（段）。

您可以使用信息性诊断统计来查看是否需要多个模型。

每个案例可能包含多个记录（重复测量的回归）以估计 LC 增长或事件历史模型。

根据因变量尺度类型估计合适的模型：

连续 - 线性回归（具有正态分布的残差）
二分法（指定为名义、有序或二项式计数）- 二元逻辑回归
Nominal (with more than 2 levels) - 多项逻辑回归
序数（超过 2 个有序级别） -
相邻类别序数逻辑回归
计数：对数线性泊松回归
二项式计数：二项式逻辑回归模型
除了使用预测变量来估计每个类别的回归模型外，还可以指定协变量来细化类别描述并将案例分类改进为适当的潜在类别。

另请参阅 Latent GOLD®教程 #3、Latent GOLD®教程 #7A、Latent GOLD® 教程 #7B 和 Latent GOLD® 教程 #8。

Step3 Module

执行潜在类分析后，您可能希望调查类成员和外部变量之间的关系。一种流行的三步法是首先估计感兴趣的潜在类模型（步骤 1），然后使用个人的后验类成员概率将个体分配到潜在类（步骤 2），然后调查分配的类成员与外部变量（步骤 3）。

在第 2 步中，将个人分配到潜在类别时会引入分类错误。与外部变量的关联估计需要针对分类错误进行校正，以防止向下偏差（Bolck、Croon 和 Hagenaars，2004 年）。 Step3 模块实现了两个偏差调整程序（Vermunt，2010）。

Step3 模块可用于预测类成员的外部变量（协变量选项）或由类成员预测的外部变量（相关选项）。这两种类型的外部变量也分别称为伴随变量和远端结果。

您还可以选择使用模态或比例分配规则将案例分配给潜在类别，并获得对新案例进行评分的精确方程。

另请参阅第三步教程 #1 、第三步教程 #2 和第三步教程 #3