LATENT GOLD正版软件学习班 售后**

科学软件网是一个以引进国外科研软件，提供*软件服务的营业网站，网站由北京天演融智软件有限公司创办，旨在为国内高校、科研院所和以研发为主的企业事业单位提供的科研软件及相关软件服务。截止目前，科学软件网已获得数百家国际**软件公司正式授权，代理销售科研软件达一千余种，软件涵盖领域包括经管，仿真，地球地理，生物化学，工程科学，排版及网络管理等。同时，还提供专业培训、课程（包含34款软件，66门课程）、实验室解决方案和项目咨询等服务。
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”。

 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

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。
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。
19年来，公司始终秉承专业、专注、专心的发展理念，厚积薄发，积累了大量的人才、技术以及行业经验，在行业内得到了大量用户的认可和高度价。
http://turntech8843.b2b168.com