选项包括:
• 通过*直观的LG-Equations，提供更灵活的建模和参数限制
• 与GUI集群、DFactor、回归、Step3、Markov和Choice 模块相比的其他模型
• Monte Carlo仿真选项
• 多重插补选项
• N倍验证和保留选项
• 附加输出和保存选项
• 使用保存参数的选项（例如，用于评分）
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（超过2个级别） - 多项逻辑回归
• 序数（超过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。
Latent GOLD 潜在类和有限混合软件
Latent GOLD是一个功能强大的潜在类和有限混合程序，具有友好的点击式界面（GUI）。有两个附加选项可用于扩展基本版本的程序。
Advanced / Syntax add-on通过使用包括直观的LG-equations的Syntax命令语言，为高级用户提供更多控制。此附加组件还包含更高级的GUI建模功能，如Latent（Hidden）Markov和Multilevel模型。
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
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。
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：
第一选项
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。
对于第一选择模型，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。这包括第一和第二选择，第一和最后选择（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。这包括第一和第二选择，第一和最后选择（较好较差），或其他部分排名以及所有备选方案的完整排名。
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。
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。
通过这种方式，Latent GOLD的因子模块与传统因子分析相比具有以下几个优势：
• 解决方案可立即解释，不需要流转
• 假设因子是有序的而不是连续的
• 估算因子得分无需额外假设
• 观察到的变量可以是标称、序数、连续或计数或这些变量的任意组合
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。
-/gjjiac/-
http://www.kxrjsoft.cn
