Latent GOLD 功能强大的潜在类别和有限混合分析建模分析软件at卡贝软件

Latent GOLD 5.1

LatentGOLD是一个强大的潜在类别和有限混合方法(finite mixture)程序，具有非常用户友好的点击式界面。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LG-equations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，如潜在（隐藏）马尔科夫和多层模型。

Choice插件允许通过点击式界面估算离散选择模型。在同时拥有Choice和Advanced / Syntax插件时，可以估计各种高级选择模型，并且还可以使用语法来进一步定制离散选择模型。

基础版

包含以下GUI（图形用户界面）：

LC聚类

LatentGOLD?的聚类模块提供了基于潜在类别模型的聚类分析的最新技术。 潜在类别是不可观察的（潜在）子组或分段。 同一潜在类别中的个案在某些条件（变量）上是同质的，而不同潜在类别中的个案在某些重要方面却彼此不同。

传统的潜在类别模型可用于处理分类变量中的度量和分类错误，并可适应名义，有序，连续，计数或它们的任意组合的应变量。 协变量也可以直接包含在模型中，以改善聚类描述。

通过包含模型选择标准和基于概率的分类，LatentGOLD?对传统的ad-hoc类型的聚类分析方法进行了改进。 后验隶属度概率直接从模型参数估计，并用于将案例分配给类。

离散因子（DFactor）

这样，与传统因素分析相比，LatentGOLD?的因素模块具有多个优势：

§ 解可立即解释，无需轮换

§ 假定这些因素是有序的而不是连续的

§ 无需额外假设即可估算因子得分

§ 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

LC回归与增长

回归模型用于根据同质总体中的预测变量来预测因变量。

通过包含分类潜变量，LatentGOLD?还可以估计异类总体中的回归模型。 该潜在可变参数的每个类别表示具有相同回归系数的同质亚群（段）。

您可以使用信息丰富的诊断统计信息来查看是否需要多个模型。

每个案例可能包含多个记录（具有重复测量值的回归）以估计LC增长或事件历史记录模型。

根据因变量规模类型估算适当的模型：

§ 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

§ ?标称（超过2个级别）-多项逻辑回归

§ ?序数（具有2个以上的有序级别）-

§ 邻类序数逻辑回归

§ ?计数：对数线性泊松回归

§ ?二项式计数：二项逻辑回归模型

除了使用预测变量来估计每个类别的回归模型外，还可以指定协变量以细化类别描述并将案例分类改进为适当的潜在类别。

步骤3 模块

在执行潜在的类分析之后，您可能希望调查类成员资格与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别模型（步骤1），然后使用他们的后继类别成员资格概率将个人分配给潜在类别（步骤2），然后研究分配的类别成员资格与外部类别之间的关联 变量（第3步）

在步骤2中，将个人分配给潜在类时会引入分类错误。 与外部变量相关联的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年）。

步骤3模块可以与预测类成员身份的外部变量（协变量选项）一起使用，也可以与由类成员身份预测的外部变量（Dependent选项）一起使用。 这两种类型的外部变量也分别称为伴随变量和远端结果。

步骤3模块可以与预测类成员身份的外部变量（协变量选项）一起使用，也可以与由类成员身份预测的外部变量（Dependent选项）一起使用。 这两种类型的外部变量也分别称为伴随变量和远端结果。