- 2024-11-12 15:26 24794
- 产品价格：面议
- 发货地址：北京海淀 包装说明：不限
- 产品数量：9999.00 个产品规格：不限
- 信息编号：152039374公司编号：14832749
- 王经理 微信 18510103847
- 进入店铺 在线留言 QQ咨询 在线询价
LATENT GOLD使用说明
- 相关产品：
Latent
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。
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，并获得用于评分新案例的精确方程式。
Overview
Latent GOLD 5.0 is a powerful latent class and finite mixture program. Latent GOLD contains separate modules for estimating three different model structures:
Latent Class Cluster models
Discrete Factor (DFactor) models
Latent Class Regression models
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。
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，并获得用于评分新案例的精确方程式。
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。
Choice add-on允许通过点击式界面评估离散选择模型。当同时获得Choice和Advanced / Syntax附加组件时，可以估计各种高级选择模型，还可以使用Syntax进一步定制离散选择模型。
产品组合
Latent GOLD Basic
Latent GOLD Basic + Adv/Syntax
Latent GOLD Basic + Choice
Latent GOLD Basic + Choice + Adv/Syntax
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。
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，并获得用于评分新案例的精确方程式。
Overview
Latent GOLD 5.0 is a powerful latent class and finite mixture program. Latent GOLD contains separate modules for estimating three different model structures:
Latent Class Cluster models
Discrete Factor (DFactor) models
Latent Class Regression models
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。
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，并获得用于评分新案例的精确方程式。
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。
Choice add-on允许通过点击式界面评估离散选择模型。当同时获得Choice和Advanced / Syntax附加组件时，可以估计各种高级选择模型，还可以使用Syntax进一步定制离散选择模型。
产品组合
Latent GOLD Basic
Latent GOLD Basic + Adv/Syntax
Latent GOLD Basic + Choice
Latent GOLD Basic + Choice + Adv/Syntax
