Mplus—潜在类别分析（Latent Class Analysis, LCA）

Kunle~

已于 2023-09-16 14:55:19 修改

阅读量2.3k

点赞数 5

分类专栏： Mplus 文章标签：笔记其他经验分享数据分析学习方法

于 2023-09-16 14:45:34 首次发布

本文链接：https://blog.csdn.net/m0_54401011/article/details/132918545

版权

Mplus 专栏收录该内容

23 篇文章 12 订阅

订阅专栏

1. 信息评价指标（AIC, BIC, aBIC）

之前的文章介绍了潜在剖面分析（Latent Profile Analysis, LPA），详细内容可点击下方链接查看。

Mplus—潜在剖面分析（Latent Profile Analysis, LPA）_Kunle~的博客-CSDN博客https://blog.csdn.net/m0_54401011/article/details/132917597?spm=1001.2014.3001.5501

潜在剖面分析和潜在类别分析（Latent Class Analysis, LCA）均属于潜类别模型（Latent Class Model, LCM），即根据个体在观测指标上的反应模式，将其分到不同的类别中。二者的区别在于前者处理连续观测指标，后者处理分类观测指标。

简介

潜在类别分析（LCA）可以简单理解为：根据个体对分类观测指标的反应特征，将其划分到不同的类别中。

这里涉及几个关键问题：

1. 分类观测指标怎么确定？

——可以是题目得分、维度得分、量表得分，只要是分类变量即可。

2. 将人群分为几类最为合适？

——假设只存在一个类别，然后逐步增加类别数，通过模型比较，确定最佳分类个数。

模型比较采用以下标准：

信息评价指标（AIC, BIC, aBIC）：越小越好。
Entropy指数：表示分类精确程度，取值范围为0到1，越接近1表明分类越精确。
似然比指标（LMR, BLRT）：显著的LMR、BLRT值表明K个类别的模型优于K-1个类别的模型。

(黄月胜等, 2019)

分析步骤

确定观测指标/外显变量
假设只存在一个类别，逐步增加类别个数
进行模型比较，确定最佳类别个数
对类别进行命名

Mplus语句

TITLE: This is an example of an LCA;

DATA: FILE IS dataLCA.dat; ! 数据文件名为dataLCA.dat

VARIABLE: NAME ARE A1-A5; ! 数据文件中的变量

USEVARIABLES ARE A1-A5; ! 使用的变量

MISSING ARE ALL (99); ! 定义缺失值为999

CLASSES = C(3); ! 设置类别个数，从1个类别开始，依次增加

CATEGORICAL = A1-A5; ! 定义A1-A5为类别变量

ANALYSIS: TYPE = MIXTURE;

STARTS = 200 50; ! 避免局部最大化解，增加随机起始值数

PROCESSOR = 4; ! 调用的处理器

OUTPUT: TECH11 TECH14; ! TECH11报告LMRT结果 TECH14报告BLRT结果

SAVEDATA: FILE = dataLCA.TXT; ! 保存个体分类结果到dataLCA.txt中

SAVE = CPROB; !保存后验分类概率

PLOT: TYPE IS PLOT3; ! 通过绘图命令，可以获得描述性统计图和条件概率示意图

SERIES = A1-A5 (*); ! 绘图中所使用的变量名

结果

1. 信息评价指标（AIC, BIC, aBIC）

2. Entropy指数

3. 似然比指标（LMR, BLRT）

4. 条件概率

条件概率：潜类别组内的个体在观测指标上的作答概率。

通过Plot>View plots，可查看条件概率图。

5. 分类结果

通过SAVEDATA将分类结果保存在dataLCA.txt中，语句运行后，会有一个名为dataLCA的txt文件，文件的最后一列便是分类结果，即每个个体属于哪一类。

6. 结果整理

可按照下图所示的图表整理上述结果。

(郑莹, 马皓苓, 2023)

LCA的后续分析

通过潜在类别分析，确定最佳类别个数后，可纳入协变量，分析协变量与潜在类别的关系。

以协变量为预测变量，以潜在类别为结果变量，进行Logistic回归。

(房立艳等, 2017)

(黄月胜等, 2019)

以协变量为结果变量，潜在类别变量为预测变量时，可以通过方差分析检验潜在类别之间的差异，或列联表分析协变量与潜在类别的关系。

(解登峰, 谢章明, 2017)

上述分析均为在Mplus中确定分类，采用其他统计分析软件，例如SPSS进行后续分析。初次之外，也可以直接在Mplus中进行后续分析，当协变量为预测变量时，通过命令“AUXILIARY = X (R3STEP)”来设定；当协变量为连续结果变量时，推荐通过命令“AUXILIARY = Y (BCH)”来设定。

Mplus语句

协变量为预测变量

TITLE: This is an example of an LCA;

DATA: FILE IS dataLCA.dat;

VARIABLE: NAME ARE A1-A5 X Y;

USEVARIABLES ARE A1-A5 X;

MISSING ARE ALL (99);

CLASSES = C(3);

CATEGORICAL = A1-A5;

AUXILIARY = X (R3STEP); ! 协变量为预测变量

ANALYSIS: TYPE = MIXTURE;

STARTS = 200 50;

PROCESSOR = 4;

OUTPUT: TECH11 TECH14;

SAVEDATA: FILE = dataLCA.TXT;

SAVE = CPROB;

PLOT: TYPE IS PLOT3;

SERIES = A1-A5 (*);

协变量为结果变量

TITLE: This is an example of an LCA;

DATA: FILE IS dataLCA.dat;

VARIABLE: NAME ARE A1-A5 X Y;

USEVARIABLES ARE A1-A5 Y;

MISSING ARE ALL (99);

CLASSES = C(3);

CATEGORICAL = A1-A5;

AUXILIARY = Y (BCH); ! 协变量为连续结果变量

ANALYSIS: TYPE = MIXTURE;

STARTS = 200 50;

PROCESSOR = 4;

OUTPUT: TECH11 TECH14;

SAVEDATA: FILE = dataLCA.TXT;

SAVE = CPROB;

PLOT: TYPE IS PLOT3;

SERIES = A1-A5 (*);