Latent GOLD Basic
包含以下功能的GUI：
LC 集群
LatentGOLD的集群模块提供基于潜在类模型的较新集群分析。潜在类是不可观测的（潜在的）子群或段。同一潜在类中的案例在某些标准（变量）上是一致的，而不同潜在类中的案例在某些重要方面是不同的。
传统的潜在类模型可用于处理分类变量中的测量和分类错误，并且可以容纳名义变量、序数变量、连续变量、计数变量或这些变量任意组合变量。协变量可以直接包含在模型中，也可以用于改进集群描述。
LatentGOLD通过包括模型选择标准和基于概率的分类，改进了传统的ad-hoc类型的聚类分析方法。后验概率直接来源于模型参数估计并用于将案例分配给类。
离散因子（DFactor）
DFactor模型通常用于变量减少或定义一个有序的态度量表。它包含一个或多个DFactors，这些DFactors将共享一个共同变量源的变量组合在一起。每个DFactor要么是二分法的（默认选项），要么由三个或更多的有序级别（有序的潜在类）组成。
Step3模块
执行潜在类分析后，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），然后使用他们的后验类别属性概率将个体分配给潜在类别（步骤2），然后调查*的类成员与外部变量之间的关联（第3步）。
在步骤2中，在将个体分配给潜在类别时会引入分类错误。与外部变量关联的估计值需要针对分类错误进行修正，以防止向下偏差（Bolck，Croon和Hagenaars，2004）。Step3模块执行两个偏差调整程序（Vermunt，2010）。
Step3模块可以与预测类成员关系的外部变量（协变量选项）一起使用，也可以与类成员关系预测的外部变量（依赖选项）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。
Latent GOLD Basic
包含以下功能的GUI：
LC 集群
LatentGOLD的集群模块提供基于潜在类模型的较新集群分析。潜在类是不可观测的（潜在的）子群或段。同一潜在类中的案例在某些标准（变量）上是一致的，而不同潜在类中的案例在某些重要方面是不同的。
传统的潜在类模型可用于处理分类变量中的测量和分类错误，并且可以容纳名义变量、序数变量、连续变量、计数变量或这些变量任意组合变量。协变量可以直接包含在模型中，也可以用于改进集群描述。
LatentGOLD通过包括模型选择标准和基于概率的分类，改进了传统的ad-hoc类型的聚类分析方法。后验概率直接来源于模型参数估计并用于将案例分配给类。
离散因子（DFactor）
DFactor模型通常用于变量减少或定义一个有序的态度量表。它包含一个或多个DFactors，这些DFactors将共享一个共同变量源的变量组合在一起。每个DFactor要么是二分法的（默认选项），要么由三个或更多的有序级别（有序的潜在类）组成。
连续潜在变量(CFactors)
CFactors可用于*连续潜在变量模型，例如因子分析、项目响应理论模型、潜在特征模型和具有连续随机效应的回归模型。CFactors可以包含在任何LC 集群，DFactor或LC回归模型中。
如果包含，则有关CFactor效果相关的其他信息将显示在参数输出中，以及标准分类、ProbMeans和分类统计输出中的CFactor分数中。
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（*为名称、序数或二项式计数） - 二元逻辑回归
• 名义上的（**过2个级别） - 多项逻辑回归
• 序数（**过2个有序等级） - 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：二项逻辑回归模型
除了使用预测因子来估计每个类的回归模型之外，还可以*协变量来细化类描述，并将案例分类为适当的潜在类。
Latent Markov/过渡模块
Latent Markov模型是标准潜在类模型的一种流行纵向数据变体;它实际上是一种潜在类集群模型，允许个体在不同的测量场合之间切换集群。
群集现在称为潜在状态。Latent Markov模型也称为潜在转换模型。
Latent GOLD实现了更通用的混合潜在Latent Markov模型，其中允许不同的潜在类具有不同的转移概率。
连续潜在变量(CFactors)
CFactors可用于*连续潜在变量模型，例如因子分析、项目响应理论模型、潜在特征模型和具有连续随机效应的回归模型。CFactors可以包含在任何LC 集群，DFactor或LC回归模型中。
如果包含，则有关CFactor效果相关的其他信息将显示在参数输出中，以及标准分类、ProbMeans和分类统计输出中的CFactor分数中。
多层次模型
此高级选项用于*LC集群，DFactor或LC回归模型的多级扩展，该模型不仅可以在案例级别解释异质性，而且可以在组级别上解释异质性。
也可以通过*组级潜在类（GClasses）和/或组级CFactors（GCFactors）来说明组级变化。此外，当*2个或更多GClasses时，可以在模型中包括组级协变量（GCovariates）以改进描述/预测。
多级选项还可用于*三级参数或非参数随机效应回归模型，或同时开发组级和单个级段。
复杂样本数据的调查选项
两个重要的调查抽样设计是分层抽样——分层内抽样案例，以及两阶段集群抽样—— 初级抽样单位（PSU）内的抽样和随后对所选PSU内的案例抽样。此外，可能存在采样权重。
在计算与参数估计相关的标准误差和相关统计数据时，调查选项考虑了抽样设计和抽样权重，并估计“设计效果”。
-/gjjiac/-
http://awen20.b2b168.com
