Ratings-based Conjoint
相邻类别序数逻辑模型用于响应数据包含评级而不是选择。
分配模型
复制权重可用于处理答复者在各种选择方案中分配多个投票（购买、点数）的设计。
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
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”。
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
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。
-/gjjiac/-
http://awen20.b2b168.com
