Mplus数据分析：潜在类别分析（LCA）流程（详细版

来源：数据分析与知识发现 【在线投稿】栏目：综合新闻时间：2021-02-24

终于开始整理这部分内容了。

关于LCA的R语言做法介绍可以看另一篇文章：R数据分析：用R语言做潜类别分析LCA

Step1: 数据准备

数据文件应包括以下变量：ID、进行分类的维度。后续分析需要的变量，如协变量（预测变量和结果变量）。注：缺失值替换成999；数据文件保存成csv格式。

格式保存：在spss软件里处理好数据，另存为csv格式即可，保证csv文件没有中文，只能是数值形式。数据文件包括的变量看图一。

ID：就是······，有多少个被试就有多少个ID。

分类的维度：指的是你的分类根据哪些条目来确定，LCA只做分类变量。打个比方，心理素质由认知品质、个性品质和适应品质三个维度构成。

协变量：可以是预测变量也可以是结局变量。预测变量（原因变量）是指其对分类有什么影响，比如用家庭社会经济地位来预测青少年欺负行为分类特征。结局变量是指青少年欺负行为特征会产生什么样的结果，比如青少年欺负行为预测抑郁症风险。

图一

Step2: Mplus分析

抽取1—6个潜在类别模型：一开始我们并不知道它会分成几类，所以一般要运行6次，然后看统计指标决定自己要分成几类。CLASSES = c(1)，括号的数值就是告诉mplus你要分成几类，1就是1，2就是2，以此类推。

注：初步分析时不用Savedata语句。运行不同的模型时只需改动“CLASSES = c(1)”中的1。

代码解释看图二。

写好命令之后，点击run就好了。

analysis那部分，不变就好了。具体解释是啥我就不说了。plot也是。

图二

Step3: 拟合指标结果整理（见图三）

统计AIC、BIC、aBIC、Entropy、LMR(p)、BLRT(p)指标。前3个数值越小表示模型拟合得越好，Entropy 指数取值范围0~1，越接近1，模型分类越准确。当 Entropy=0.6时，表明约有20%的个体存在分类的错误，Entropy约等于0.8时表明分类的准确率超过了90%。LMR和 BLRT两个指标的p值达到显著水平，则表明k个类别的模型显著优于k-1个类别的模型。

注：

BLRT: PARAMETRIC BOOTSTRAPPED LIKELIHOODRATIO TEST FOR 1 (H0) VERSUS 2 CLASSES

LMR: VUONG-LO-MENDELL-RUBIN LIKELIHOOD RATIOTEST FOR 1 (H0) VERSUS 2 CLASSES

Step4: 比较各类模型下的潜在类别在维度上的条件概率（分类的理论解释）

①统计各类别概率（FINALCLASS COUNTS AND PROPORTIONS FOR THE LATENT CLASSES BASED ON THE ESTIMATED MODEL）

②特征比较：画图看各类别的特征。各类别有哪些相同的类和不同的类？多出的类是否可解释，类别概率是否足够大？模型是否简约？与划界分对比。