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。
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
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 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。
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。
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）
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，**和较后选择（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，**和较后选择（较好较差），或其他部分排名以及所有备选方案的完整排名。
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。
-/gjjiac/-
http://awen20.b2b168.com
