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。
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 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。
-/gjiiih/-
http://turntech8843.b2b168.com
