Latent GOLD 潛在類和有限混合軟件

時(shí)間：2021-01-13作者：北京天演融智軟件有限公司瀏覽：297

Latent GOLD是一個(gè)功能強(qiáng)大的潛在類和有限混合程序，具有友好的點(diǎn)擊式界面（GUI）。有兩個(gè)附加選項(xiàng)可用于擴(kuò)展基本版本的程序。

Advanced / Syntax add-on通過(guò)使用包括直觀的LG-equations的Syntax命令語(yǔ)言，為**用戶提供更多控制。此附加組件還包含較**的GUI建模功能，如Latent（Hidden）Markov和Multilevel模型。

Choice add-on允許通過(guò)點(diǎn)擊式界面評(píng)估離散選擇模型。當(dāng)同時(shí)獲得Choice和Advanced / Syntax附加組件時(shí)，可以估計(jì)各種**選擇模型，還可以使用Syntax進(jìn)一步定制離散選擇模型。

產(chǎn)品組合

? Latent GOLD Basic

? Latent GOLD Basic + Adv/Syntax

? Latent GOLD Basic + Choice

? Latent GOLD Basic + Choice + Adv/Syntax

?  Latent GOLD Basic

包含以下功能的GUI：

LC 集群

LatentGOLD的集群模塊提供基于潛在類模型的較新集群分析。潛在類是不可觀測(cè)的（潛在的）子群或段。同一潛在類中的案例在某些標(biāo)準(zhǔn)（變量）上是一致的，而不同潛在類中的案例在某些重要方面是不同的。

傳統(tǒng)的潛在類模型可用于處理分類變量中的測(cè)量和分類錯(cuò)誤，并且可以容納名義變量、序數(shù)變量、連續(xù)變量、計(jì)數(shù)變量或這些變量任意組合變量。協(xié)變量可以直接包含在模型中，也可以用于改進(jìn)集群描述。

LatentGOLD通過(guò)包括模型選擇標(biāo)準(zhǔn)和基于概率的分類，改進(jìn)了傳統(tǒng)的ad-hoc類型的聚類分析方法。后驗(yàn)概率直接來(lái)源于模型參數(shù)估計(jì)并用于將案例分配給類。

離散因子（DFactor）

DFactor模型通常用于變量減少或定義一個(gè)有序的態(tài)度量表。它包含一個(gè)或多個(gè)DFactors，這些DFactors將共享一個(gè)共同變量源的變量組合在一起。每個(gè)DFactor要么是二分法的（默認(rèn)選項(xiàng)），要么由三個(gè)或更多的有序級(jí)別（有序的潛在類）組成。

通過(guò)這種方式，Latent GOLD的因子模塊與傳統(tǒng)因子分析相比具有以下幾個(gè)優(yōu)勢(shì)：

解決方案可立即解釋，不需要流轉(zhuǎn)

假設(shè)因子是有序的而不是連續(xù)的

估算因子得分*額外假設(shè)

觀察到的變量可以是標(biāo)稱、序數(shù)、連續(xù)或計(jì)數(shù)或這些變量的任意組合

LC回歸與增長(zhǎng)

在同質(zhì)的群體中，回歸模型用于預(yù)測(cè)因變量作為預(yù)測(cè)變量的函數(shù)。

Latent GOLD可以通過(guò)包含分類潛在變量來(lái)估計(jì)異質(zhì)群體中的回歸模型。該潛在變異體的每個(gè)類別代表具有相同回歸系數(shù)的同質(zhì)亞群體（片段）。

可以使用信息性診斷統(tǒng)計(jì)信息來(lái)查看是否需要多個(gè)模型。

每個(gè)案例可能包含多個(gè)記錄（重復(fù)測(cè)量的回歸）以估計(jì)LC增長(zhǎng)或Event History模型。

根據(jù)因變量尺度類型估計(jì)合適的模型:

連續(xù) - 線性回歸（具有正態(tài)分布的殘差）

二分法（*為名稱、序數(shù)或二項(xiàng)式計(jì)數(shù)） - 二元邏輯回歸

名義上的（**過(guò)2個(gè)級(jí)別） - 多項(xiàng)邏輯回歸

序數(shù)（**過(guò)2個(gè)有序等級(jí)） - 相鄰類別序數(shù)邏輯回歸

計(jì)數(shù)：對(duì)數(shù)線性泊松回歸

二項(xiàng)式計(jì)數(shù)：二項(xiàng)邏輯回歸模型

除了使用預(yù)測(cè)因子來(lái)估計(jì)每個(gè)類的回歸模型之外，還可以*協(xié)變量來(lái)細(xì)化類描述，并將案例分類為適當(dāng)?shù)臐撛陬悺?/span>

Step3模塊

執(zhí)行潛在類分析后，您可能希望調(diào)查類成員資格與外部變量之間的關(guān)系。一種流行的三步法是首先估計(jì)感興趣的潛在類別模型（步驟1），然后使用他們的后驗(yàn)類別屬性概率將個(gè)體分配給潛在類別（步驟2），然后調(diào)查*的類成員與外部變量之間的關(guān)聯(lián)（*3步）。

在步驟2中，在將個(gè)體分配給潛在類別時(shí)會(huì)引入分類錯(cuò)誤。與外部變量關(guān)聯(lián)的估計(jì)值需要針對(duì)分類錯(cuò)誤進(jìn)行修正，以防止向下偏差（Bolck，Croon和Hagenaars，2004）。Step3模塊執(zhí)行兩個(gè)偏差調(diào)整程序（Vermunt，2010）。

Step3模塊可以與預(yù)測(cè)類成員關(guān)系的外部變量（協(xié)變量選項(xiàng)）一起使用，也可以與類成員關(guān)系預(yù)測(cè)的外部變量（依賴選項(xiàng)）一起使用。這兩種類型的外部變量也分別稱為伴隨變量和遠(yuǎn)端結(jié)果。

您還可以選擇使用模態(tài)或比例分配規(guī)則將案例分配給潛在類，并獲得用于評(píng)分新案例的精確方程式。

?  Choice add-on

包含以下功能的GUI：

**選項(xiàng)

聯(lián)合/離散選擇數(shù)據(jù)的響應(yīng)包括來(lái)自每個(gè)選擇任務(wù)的單個(gè)選擇（選擇集）。

潛在類（LC）通過(guò)允許不同的群體片段（潛在類別）在做出選擇時(shí)表達(dá)不同的偏好來(lái)選擇模型，以解釋異質(zhì)性的方式分析這些數(shù)據(jù)。

對(duì)于**選擇模型，使用擴(kuò)展多項(xiàng)logit模型（MNL）來(lái)估計(jì)作為選擇屬性和個(gè)體特征（預(yù)測(cè)變量）的函數(shù)進(jìn)行特定選擇的概率。

協(xié)變量也可以包括在模型中，用于改進(jìn)片段的描述/預(yù)測(cè)。

順序logit模型用于從選擇集中選擇兩個(gè)或更多選項(xiàng)的情況。這包括**和*二選擇，**和最后選擇（較好 - 較差），或其他部分排名以及所有備選方案的完整排名。

相鄰類別序數(shù)logit模型用于響應(yīng)數(shù)據(jù)由評(píng)級(jí)而非選擇組成的情況。

Ranking（Inc. MaxDiff）

順序邏輯模型用于從選項(xiàng)集中選擇兩個(gè)或多個(gè)選項(xiàng)的情況。這包括**和*二選擇，**和最后選擇（較好較差），或其他部分排名以及所有備選方案的完整排名。

Ratings-based Conjoint

相鄰類別序數(shù)邏輯模型用于響應(yīng)數(shù)據(jù)包含評(píng)級(jí)而不是選擇。

分配模型

復(fù)制權(quán)重可用于處理答復(fù)者在各種選擇方案中分配多個(gè)投票（購(gòu)買、點(diǎn)數(shù)）的設(shè)計(jì)。

?  Adv/Syntax add-on

GUI和語(yǔ)法功能包括：

Latent Markov/過(guò)渡模塊

Latent Markov模型是標(biāo)準(zhǔn)潛在類模型的一種流行縱向數(shù)據(jù)變體;它實(shí)際上是一種潛在類集群模型，允許個(gè)體在不同的測(cè)量場(chǎng)合之間切換集群。

群集現(xiàn)在稱為潛在狀態(tài)。Latent Markov模型也稱為潛在轉(zhuǎn)換模型。

Latent GOLD實(shí)現(xiàn)了較通用的混合潛在Latent Markov模型，其中允許不同的潛在類具有不同的轉(zhuǎn)移概率。

連續(xù)潛在變量(CFactors)

CFactors可用于*連續(xù)潛在變量模型，例如因子分析、項(xiàng)目響應(yīng)理論模型、潛在特征模型和具有連續(xù)隨機(jī)效應(yīng)的回歸模型。CFactors可以包含在任何LC 集群，DFactor或LC回歸模型中。

如果包含，則有關(guān)CFactor效果相關(guān)的其他信息將顯示在參數(shù)輸出中，以及標(biāo)準(zhǔn)分類、ProbMeans和分類統(tǒng)計(jì)輸出中的CFactor分?jǐn)?shù)中。

多層次模型

此**選項(xiàng)用于*LC集群，DFactor或LC回歸模型的多級(jí)擴(kuò)展，該模型不僅可以在案例級(jí)別解釋異質(zhì)性，而且可以在組級(jí)別上解釋異質(zhì)性。

也可以通過(guò)*組級(jí)潛在類（GClasses）和/或組級(jí)CFactors（GCFactors）來(lái)說(shuō)明組級(jí)變化。此外，當(dāng)*2個(gè)或更多GClasses時(shí)，可以在模型中包括組級(jí)協(xié)變量（GCovariates）以改進(jìn)描述/預(yù)測(cè)。

多級(jí)選項(xiàng)還可用于*三級(jí)參數(shù)或非參數(shù)隨機(jī)效應(yīng)回歸模型，或同時(shí)開發(fā)組級(jí)和單個(gè)級(jí)段。

復(fù)雜樣本數(shù)據(jù)的調(diào)查選項(xiàng)

兩個(gè)重要的調(diào)查抽樣設(shè)計(jì)是分層抽樣——分層內(nèi)抽樣案例，以及兩階段集群抽樣—— 初級(jí)抽樣單位（PSU）內(nèi)的抽樣和隨后對(duì)所選PSU內(nèi)的案例抽樣。此外，可能存在采樣權(quán)重。

在計(jì)算與參數(shù)估計(jì)相關(guān)的標(biāo)準(zhǔn)誤差和相關(guān)統(tǒng)計(jì)數(shù)據(jù)時(shí)，調(diào)查選項(xiàng)考慮了抽樣設(shè)計(jì)和抽樣權(quán)重，并估計(jì)“設(shè)計(jì)效果”。

Syntax模塊

Syntax系統(tǒng)是一種直觀的命令語(yǔ)言，它在圖形用戶界面(GUI)上提供了更多的靈活性。

選項(xiàng)包括:

通過(guò)*直觀的LG-Equations，提供較靈活的建模和參數(shù)限制

與GUI集群、DFactor、回歸、Step3、Markov和Choice 模塊相比的其他模型

Monte Carlo仿真選項(xiàng)

多重插補(bǔ)選項(xiàng)

N倍驗(yàn)證和保留選項(xiàng)

附加輸出和保存選項(xiàng)

使用保存參數(shù)的選項(xiàng)（例如，用于評(píng)分）

?  Choice + Adv/Syntax

GUI和語(yǔ)法包括：

尺度調(diào)整潛在類（SALC）模型

在選擇模型中包含比例因子的功能，這可能會(huì)在預(yù)測(cè)值和/或潛在類別中之間變化。

Scale Latent Class（SALC）模型的兩個(gè)重要應(yīng)用是：

除了選擇模型中的潛在段（Classes）之外，還包括縮放類（Classes）

使用BestWorst數(shù)據(jù)（使用預(yù)測(cè)變量選項(xiàng)）包括較佳和較差選擇的單獨(dú)比例因子。

隨機(jī)后悔較小化模型(RRM)

Chorus（2010年，2012年）提出了一類基于隨機(jī)后悔較小化（RRM）的選擇模型作為隨機(jī)效用較大化的替代方案（RUM）。

而基于RUM的假設(shè)行為機(jī)制模型是個(gè)人選擇具有較大效用的替代方案，基于RRM的模型假設(shè)個(gè)體選擇了潛在遺憾較小的替代方案。

評(píng)估RRM在各個(gè)領(lǐng)域應(yīng)用的較新研究表明，潛在類方法，即每個(gè)類的決策規(guī)則（RUM或RRM）不同，會(huì)導(dǎo)致模型擬合與假設(shè)每個(gè)類的決策規(guī)則(通常是RUM)相同的模型相比，有實(shí)質(zhì)性的改進(jìn)(Chorus, van Cranenburgh, and Dekker, 2014)。

系統(tǒng)需求

Latent GOLD默認(rèn)是Windows 64位程序，如果需要32位程序，可以提前說(shuō)明。 




更多詳情請(qǐng)登陸 科學(xué)軟件網(wǎng) 。

北京天演融智軟件有限公司專注于pscad,gams,spsspro,stata,matlab,mathematica,nvivo等, 歡迎致電 18510103847

• 詞條

  詞條說(shuō)明

• spss報(bào)價(jià)

  SPSS報(bào)價(jià)在當(dāng)今信息爆炸的時(shí)代，數(shù)據(jù)是企業(yè)決策和學(xué)術(shù)研究的。SPSS（Statistical Package for the Social Sciences）作為一款功能強(qiáng)大的統(tǒng)計(jì)軟件，為用戶提供了廣泛且深入的數(shù)據(jù)分析工具，助力用戶從數(shù)據(jù)中提取有**的信息，做出明智的決策。如果您還在尋找一款適用于社會(huì)科學(xué)、醫(yī)學(xué)、商業(yè)等領(lǐng)域的數(shù)據(jù)分析軟件，SPSS無(wú)疑是您的良好選擇。作為一家以引進(jìn)國(guó)研軟件為主營(yíng)業(yè)

• 如何備份共享數(shù)據(jù)庫(kù)或Geneious Server 數(shù)據(jù)庫(kù)？

  Geneious 中的備份操作不應(yīng)用于對(duì)共享數(shù)據(jù)庫(kù)進(jìn)行完整備份，而是應(yīng)該使用以下適當(dāng)?shù)姆椒ā?如果您希望存檔數(shù)據(jù)以減小數(shù)據(jù)庫(kù)的大小，較簡(jiǎn)單的選擇是以 .geneious 格式從 Geneious 導(dǎo)出文件夾或文檔，并將它們保存在安全的地方。 要恢復(fù)時(shí)請(qǐng)將 .geneious 文件拖放回 Geneious 的數(shù)據(jù)庫(kù)中。對(duì)于標(biāo)準(zhǔn)（直接SQL連接）共享數(shù)據(jù)庫(kù)，我們建議使用您選擇的 SQL 數(shù)據(jù)

• NVivo和EndNote如何協(xié)同工作？

  EndNote簡(jiǎn)介EndNote X9是參考管理軟件，不僅可以把研究人員從繁瑣的手動(dòng)收集和策劃工作中解脫出來(lái)，也可以讓他們?cè)谂c同事協(xié)調(diào)時(shí)較*。改進(jìn)文獻(xiàn)評(píng)論：NVivo + EndNote的力量在管理文獻(xiàn)評(píng)論時(shí)，您的客戶通常會(huì)使用EndNote。使他們能夠有效地組織他們的參考，訪問(wèn)他們的書目信息，并在他們完成的工作中包含他們的參考。雖然這對(duì)于有效收集和組織研究材料很有幫助—但看到參考文獻(xiàn)之間的聯(lián)系

• 版本較新 | TreeAge Pro 2024 R1 決策分析軟件

  2024年1月，TreeAge Pro 2024 R1版本正式發(fā)布，本次較新主要集中在基于Web分享模型，新增分布向?qū)Ш蚑P Business幫助文檔?；赪eb的模型共享在網(wǎng)絡(luò)上分享模型建模者可以? 共享模型的輸入和分析? 將模型上傳到? 與審查人員共享模型審查者可以? 檢查模型結(jié)構(gòu)? 編輯并共享輸入內(nèi)容? 運(yùn)行共享分析并審查結(jié)果??&nbs