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。
Capabilities
Known Class Indicator
This feature allows more control over the segment definitions by pre-assigning selected cases (not) to be in a particular class or classes.
Conditional Bootstrap p-value
Model difference bootstrap can be used to formally assess the significance in improvement associated with adding additional classes, additional DFactors and/or an additional DFactor levels to the model, or to relax any other model restriction.
Overdispersed (Count and Binomial Count in Regression)
Overdispersion is a common phenomenon in count data. It means that, as a result of unobserved heterogeneity, the variance of the count variable is larger than estimated by the Poisson (binomial) model.
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。
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。
-/gjiiih/-
http://turntech8843.b2b168.com
