超级会员免费看
本文详细介绍如何使用R语言进行潜剖面分析(LPA)，包括数据预处理、确定剖面数量的方法(BIC、ICL、BLRT)及模型拟合与可视化。通过对学生兴趣数据的实际案例操作，展示如何解释并命名不同剖面。
Latent Profile Analysis (LPA) tries to identify clusters of individuals (i.e., latent profiles) based on responses to a series of continuous variables (i.e., indicators). LPA assumes that there are unobserved latent profiles that generate patterns of responses on indicator items.
潜在剖面分析要做的事情就是根据个体在连续变量上的响应情况将个体分为互斥的群，或者说互斥的剖面。
大家肯定还听过潜在类别分析，其实潜在剖面分析和潜在类别分析在统计上都是一样的，唯一的不同就是显变变量是分类变量（二分类）的时候我们叫它潜在类别，显变量是连续变量的时候我们叫潜在剖面。
The difference between LPA and LCA is conceptual, not computational: LPA uses continuous indicators and LCA uses binary indicators
大家记住下面这张图：
订阅专栏 解锁全文
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
