Latent structureMultivariate analysis

潜在类别分析 (Latent Class Analysis, LCA)

潜在类别分析通过寻找一组分类观测指标上的响应模式来识别群体中未被观测到的亚群——即潜在类别。它是聚类分析的分类变量对应物，但基于明确的概率模型，广泛应用于社会、健康和行为科学，以发现调查或诊断数据中的类型学。

用 StatMind 应用即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

Method map

The neighbourhood of related methods — select a node to explore.

潜在类别分析 (Latent Class Analysis, LCA)

聚类分析验证性因子分析（CFA）判别分析探索性因子分析（EFA）潜剖面分析 (Latent Profile An…混合模型贝叶斯聚类分析贝叶斯联合分析贝叶斯 K-均值聚类贝叶斯潜在类别分析 (Bayesian Late…

+9 more

来源

Goodman, L. A. (1974). Exploratory latent structure analysis using both identifiable and unidentifiable models. Biometrika, 61(2), 215–231. DOI: 10.1093/biomet/61.2.215 ↗
Lazarsfeld, P. F. & Henry, N. W. (1968). Latent Structure Analysis. Houghton Mifflin. link ↗

如何引用本页

ScholarGate. (2026, June 3). Latent Class Analysis. ScholarGate. https://scholargate.app/zh/statistics/latent-class-analysis

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

聚类分析统计学↔ compare
验证性因子分析（CFA）心理测量学↔ compare
判别分析统计学↔ compare
探索性因子分析（EFA）统计学↔ compare
潜剖面分析 (Latent Profile Analysis, LPA)心理测量学↔ compare
混合模型统计学↔ compare

Compare side by side →

被引用于

贝叶斯聚类分析贝叶斯联合分析贝叶斯 K-均值聚类贝叶斯潜在类别分析 (Bayesian Latent Class Analysis, BLCA)贝叶斯混合模型贝叶斯多重对应分析 (BMCA)带测量误差的贝叶斯网络聚类分析认知诊断模型（DINA / G-DINA）可解释高斯混合模型潜剖面分析 (Latent Profile Analysis, LPA)混合模型多维尺度分析 (MDS)有序逻辑回归（比例优势模型）稳健潜类别分析稳健潜在剖面分析 (Robust Latent Profile Analysis)

发现本页有问题？报告或提出修改建议 →