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

Ÿ Latent GOLD Basic

Ÿ Latent GOLD Basic + Adv/Syntax

Ÿ Latent GOLD Basic + Choice

Ÿ Latent GOLD Basic + Choice + Adv/Syntax

Ø  Latent GOLD Basic

包含以下功能的GUI：

LC 集群

LatentGOLD的集群模块提供基于潜在类模型的较新集群分析。潜在类是不可观测的（潜在的）子群或段。同一潜在类中的案例在某些标准（变量）上是一致的，而不同潜在类中的案例在某些重要方面是不同的。

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，并且可以容纳名义变量、序数变量、连续变量、计数变量或这些变量任意组合变量。协变量可以直接包含在模型中，也可以用于改进集群描述。

LatentGOLD通过包括模型选择标准和基于概率的分类，改进了传统的ad-hoc类型的聚类分析方法。后验概率直接来源于模型参数估计并用于将案例分配给类。

离散因子（DFactor）

DFactor模型通常用于变量减少或定义一个有序的态度量表。它包含一个或多个DFactors，这些DFactors将共享一个共同变量源的变量组合在一起。每个DFactor要么是二分法的（默认选项），要么由三个或更多的有序级别（有序的潜在类）组成。

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*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。

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（*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。

Ø  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。

Ø  Adv/Syntax add-on

GUI和语法功能包括：

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”。

Syntax模块

Syntax系统是一种直观的命令语言，它在图形用户界面(GUI)上提供了更多的灵活性。

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）

Ø  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。

随机后悔较小化模型(RRM)

Chorus（2010年，2012年）提出了一类基于随机后悔较小化（RRM）的选择模型作为随机效用较大化的替代方案（RUM）。

而基于RUM的假设行为机制模型是个人选择具有较大效用的替代方案，基于RRM的模型假设个体选择了潜在遗憾较小的替代方案。

评估RRM在各个领域应用的较新研究表明，潜在类方法，即每个类的决策规则（RUM或RRM）不同，会导致模型拟合与假设每个类的决策规则(通常是RUM)相同的模型相比，有实质性的改进(Chorus, van Cranenburgh, and Dekker, 2014)。

系统需求

Latent GOLD默认是Windows 64位程序，如果需要32位程序，可以提前说明。