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。
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
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。
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，并获得用于评分新案例的精确方程式。
Choice add-on
包含以下功能的GUI：
**选项
联合/离散选择数据的响应包括来自每个选择任务的单个选择（选择集）。
潜在类（LC）通过允许不同的群体片段（潜在类别）在做出选择时表达不同的偏好来选择模型，以解释异质性的方式分析这些数据。
对于**选择模型，使用扩展多项logit模型（MNL）来估计作为选择属性和个体特征（预测变量）的函数进行特定选择的概率。
协变量也可以包括在模型中，用于改进片段的描述/预测。
顺序logit模型用于从选择集中选择两个或更多选项的情况。这包括**和*二选择，**和最后选择（较好 - 较差），或其他部分排名以及所有备选方案的完整排名。
相邻类别序数logit模型用于响应数据由评级而非选择组成的情况。
Ranking（Inc. MaxDiff）
顺序逻辑模型用于从选项集中选择两个或多个选项的情况。这包括**和*二选择，**和最后选择（较好较差），或其他部分排名以及所有备选方案的完整排名。
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。
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，并获得用于评分新案例的精确方程式。
Overview
Latent GOLD 5.0 is a powerful latent class and finite mixture program. Latent GOLD contains separate modules for estimating three different model structures:
Latent Class Cluster models
Discrete Factor (DFactor) models
Latent Class Regression models
-/gjjiac/-
http://awen20.b2b168.com
