Latent GOLD 潜在类和有限混合软件
Latent GOLD是一个功能强大的潜在类和有限混合程序，具有友好的点击式界面（GUI）。有两个附加选项可用于扩展基本版本的程序。
Advanced / Syntax add-on通过使用包括直观的LG-equations的Syntax命令语言，为高级用户提供更多控制。此附加组件还包含更高级的GUI建模功能，如Latent（Hidden）Markov和Multilevel模型。
Choice add-on允许通过点击式界面评估离散选择模型。当同时获得Choice和Advanced / Syntax附加组件时，可以估计各种高级选择模型，还可以使用Syntax进一步定制离散选择模型。
产品组合
Latent GOLD Basic
Latent GOLD Basic + Adv/Syntax
Latent GOLD Basic + Choice
Latent GOLD Basic + Choice + Adv/Syntax
选项包括:
• 通过*直观的LG-Equations，提供更灵活的建模和参数限制
• 与GUI集群、DFactor、回归、Step3、Markov和Choice 模块相比的其他模型
• Monte Carlo仿真选项
• 多重插补选项
• N倍验证和保留选项
• 附加输出和保存选项
• 使用保存参数的选项（例如，用于评分）
Choice + Adv/Syntax
GUI和语法包括：
尺度调整潜在类（SALC）模型
在选择模型中包含比例因子的功能，这可能会在预测值和/或潜在类别中之间变化。
Scale Latent Class（SALC）模型的两个重要应用是：
• 除了选择模型中的潜在段（Classes）之外，还包括缩放类（Classes）
• 使用BestWorst数据（使用预测变量选项）包括较佳和较差选择的单独比例因子。
随机后悔较小化模型(RRM)
Chorus（2010年，2012年）提出了一类基于随机后悔较小化（RRM）的选择模型作为随机效用较大化的替代方案（RUM）。
而基于RUM的假设行为机制模型是个人选择具有较大效用的替代方案，基于RRM的模型假设个体选择了潜在遗憾较小的替代方案。
评估RRM在各个领域应用的较新研究表明，潜在类方法，即每个类的决策规则（RUM或RRM）不同，会导致模型拟合与假设每个类的决策规则(通常是RUM)相同的模型相比，有实质性的改进(Chorus, van Cranenburgh, and Dekker, 2014)。
系统需求
Latent GOLD默认是Windows 64位程序，如果需要32位程序，可以提前说明。
Choice add-on允许通过点击式界面评估离散选择模型。当同时获得Choice和Advanced / Syntax附加组件时，可以估计各种高级选择模型，还可以使用Syntax进一步定制离散选择模型。
产品组合
Latent GOLD Basic
Latent GOLD Basic + Adv/Syntax
Latent GOLD Basic + Choice
Latent GOLD Basic + Choice + Adv/Syntax
LC回归与增长
在同质的群体中，回归模型用于预测因变量作为预测变量的函数。
Latent GOLD可以通过包含分类潜在变量来估计异质群体中的回归模型。该潜在变异体的每个类别代表具有相同回归系数的同质亚群体（片段）。
可以使用信息性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（重复测量的回归）以估计LC增长或Event History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（*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。
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
Step3 Module. (See Tutorials) After developing a segmentation model (Step 1), and classifying cases (Step 2), you can now use the latent class segments in followup analyses with the new Step3 module.
Get exact equation for scoring new cases
Properly adjust for misclassification error
Predict classes from exogenous variables
Predict exogenous variables from classes
-/gjiiih/-
http://turntech8843.b2b168.com
