上海卡贝信息技术有限公司

 

 

Latent GOLD®5.1

LatentGOLD®是一个强大的潜在类别和有限混合方法(finite mixture)程序,具有非常用户友好的点击式界面。有两个附加选项可用于扩展程序的基本版本。

Advanced / Syntax插件通过使用包括直观LG-equations的语法命令语言,为高级用户提供更多控制。此插件还包含更高级的GUI建模功能,如潜在(隐藏)马尔科夫和多层模型。

Choice插件允许通过点击式界面估算离散选择模型。在同时拥有Choice和Advanced / Syntax插件时,可以估计各种高级选择模型,并且还可以使用语法来进一步定制离散选择模型。

基础版(Basic)
包括以下GUI:

LC Cluster

Latent GOLD 的集群模块提供了基于潜在类模型的最先进的集群分析。 潜在类别是不可观察的(潜在)子组或片段。 同一潜在类别中的案例在某些标准(变量)上是同质的,而不同潜在类别中的案例在某些重要方面彼此不同。

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、有序、连续、计数或这些的任意组合。 协变量也可以直接包含在模型中以改进集群描述。

通过包括模型选择标准和基于概率的分类,潜在的 GOLD 改进了传统的临时类型的聚类分析方法。 直接从模型参数估计后验隶属概率,并用于将案例分配给类。

Discrete Factor (DFactor)

DFactor 模型通常用于减少变量或定义有序的态度尺度。 它包含一个或多个 DFactors,它们将共享一个共同变异源的变量组合在一起。 每个 DFactor 要么是二分的(默认选项),要么由 3 个或更多有序级别(有序潜在类)组成。

这样,Latent GOLD®的因子模块与传统的因子分析相比有几个优势:

  • 解可立即解释,不需要轮换
  • 假设因子是有序的而不是连续的
  • 不需要额外的假设来估计因子分数
  • 观察到的变量可以是名义变量、有序变量、连续变量或计数变量,或这些变量的任意组合

LC 回归和Growth

回归模型用于预测因变量作为同质总体中预测变量的函数。

通过包含分类潜在变量,Latent GOLD®还可以在异质人群中估计回归模型。 这个潜在变量的每个类别代表一个具有相同回归系数的同质亚群(段)。

您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 增长或事件历史模型。

根据因变量尺度类型估计合适的模型:

  • 连续 - 线性回归(具有正态分布残差)
  • 二分法(指定为名义、有序或二项式计数)- 二元逻辑回归
  • 名义(超过 2 个水平) - 多项逻辑回归
  • 序数(具有 2 个以上的有序级别)-
    相邻类别有序逻辑回归
  • 计数:对数线性泊松回归
  • 二项式计数:二项式逻辑回归模型

除了使用预测变量来估计每个类别的回归模型之外,还可以指定协变量来细化类别描述并将案例分类为适当的潜在类别。

Step3 模型

执行潜在类分析后,您可能希望调查类成员与外部变量之间的关系。 一种流行的三步方法是首先估计感兴趣的潜在类模型(步骤 1),然后使用他们的后验类成员概率将个体分配到潜在类(步骤 2),然后调查分配的类成员与外部成员之间的关联 变量(步骤 3)。

在步骤 2 中,在将个体分配到潜在类时引入了分类错误。 与外部变量关联的估计需要针对分类错误进行校正,以防止出现向下偏差(Bolck、Croon 和 Hagenaars,2004 年)。 Step3 模块实现了两个偏差调整程序(Vermunt,2010)。

Step3 模块可以与预测类成员的外部变量(协变量选项)或由类成员预测的外部变量(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。

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别,并获得用于对新案例进行评分的精确方程。

Choice插件
包括以下GUI:

First choice

来自联合/离散选择数据的响应由来自每个选择任务(选择集)的单个选择组成。

潜在类别 (LC) 选择模型通过允许不同的人群(潜在类别)在做出选择时表达不同的偏好,以一种解释异质性的方式分析这些数据。

对于首选模型,使用扩展多项 logit 模型 (MNL) 来估计做出特定选择的概率,作为选择属性和个体特征(预测变量)的函数。

协变量也可以包括在模型中以改进段的描述/预测。

Ranking (Inc. MaxDiff)

序列 logit 模型用于从选项集中选择两个或多个选项的情况。 这包括第一和第二选择、第一和最后选择(最佳-最差)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 logit 模型用于响应数据由评级而不是选择组成的情况.

分配模型

重复权重可用于处理受访者在各种备选方案之间分配一定数量的选票(购买、积分)的设计。

Adv/Syntax插件

包括以下GUI和语法:

Latent Markov/Transition module

潜在马尔可夫模型是标准潜在类模型的流行纵向数据变体; 它实际上是一个潜在的类集群模型,其中允许个人跨测量场合在集群之间切换。

这些集群现在称为潜在状态。 潜在马尔可夫模型也称为潜在转换模型。

Latent GOLD®实现了更一般的混合潜在马尔可夫模型,其中允许不同的潜在类别具有不同的转移概率。

Continuous latent variables (CFactors)

CFactors 可用于指定连续的潜在变量模型,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。 CFactor 可以包含在任何 LC 聚类、DFactor 或 LC 回归模型中。

如果包含,与 CFactor 效应有关的附加信息将出现在参数输出中,以及与标准分类、概率均值和分类统计输出中的 CFactor 分数有关的信息中。

多水平模型

此高级选项用于指定对 LC 聚类、DFactor 或 LC 回归模型的多级扩展,从而不仅可以在案例级别解释异质性,还可以在组级别解释异质性。

还可以通过指定组级潜在类 (GClasses) 和/或组级 CFactors (GCFactors) 来解释组级变化。 此外,当指定 2 个或更多 GClass 时,可以在模型中包含组级协变量 (GCovariates) 以改进描述/预测。

多水平选项还可用于指定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——层内的抽样案例和两阶段整群抽样——初级抽样单位 (PSU) 内的抽样和所选初级抽样单位内的后续案例抽样。 此外,可能存在抽样权重。

在计算与参数估计相关的标准误差和相关统计数据时,调查选项会考虑抽样设计和抽样权重,并估计“设计效果”。

Syntax Module

语法系统是一种直观的命令语言,在图形用户界面 (GUI) 之上为您提供了额外的灵活性。

选项包含:

  • 通过指定直观的 LG-EquationsTM 实现更灵活的建模和参数限制
  • 与 GUI Cluster、DFactor、Regression、Step3、Markov 和 Choice 模块相比的其他模型
  • 蒙特卡罗模拟选项
  • 多种插补选项
  • N 重验证和坚持选项
  • 额外的输出和保存选项
  • 使用保存参数的选项(例如,用于评分)

Choice + Adv/Syntax

包括以下GUI和语法:

Scale Adjusted Latent Class (SALC) models

在选择模型中包含比例因子的能力,这可能因预测变量值和/或比例潜在类别而异。

Scale Adjusted Latent Class (SALC) 模型的两个重要应用是:

  • 除了选择模型中的潜在类 (Classes) 之外,还包括尺度类 (sClasses),以及
  • 包括针对 BestWorst 数据的最佳和最差选择的单独比例因子(使用预测器选项)。

Random Regret Minimization (RRM)

Chorus (2010, 2012) 提出了一类基于 Random Re-gret Minimization (RRM) 的选择模型作为随机效用最大化 (RUM) 的替代方案。

虽然基于 RUM 模型的假设行为机制是个人选择具有最大效用的替代方案,但基于 RRM 的模型假设个人选择具有最小潜在后悔的替代方案。

最近一项评估 RRM 在各个领域中的应用的研究表明,与为每个类假设相同决策规则(通常是 RUM)的模型相比,潜在类方法(其中每个类的决策规则(RUM 或 RRM)不同)导致模型拟合的实质性改进 (Chorus、van Cranenburgh 和 Dekker,2014 年)。

 

 

 

CALL or EMAIL

有关订购Latent GOLD软件的更多信息,请联系我们的产品销售代表:

400-621-1085
021-50391087

或点击下面的图片,在线提交购买咨询信息:

留言询价

 

联系我们
销售咨询点击这里给我发消息
产品咨询点击这里给我发消息
淘宝店铺 点击这里给我发消息 

快速链接
综述
下载试用
立即购买
   

 

 

 

 

 

 

 

 

 

站点地图|隐私政策|加入我们
Copyright ©2021  上海卡贝信息技术有限公司   All rights reserved.