之前潜在类别分析已经给大家写的很详细了，不过都是基于R软件的，我发现一个很奇怪的地方哦，找我做潜类别的基本都不用R，找我解决R语言问题的基本都不知道潜类别是干啥的，看样子做潜变量分析还是mplus受众广泛呀，今天就给大家写一个详细的使用Mplus做潜在类别分析的教程。

依然还是用实际例子手把手教学

实例操练

假如我想了解人们的饮酒行为，我手上收集了一群大汉的饮酒行为数据，用的工具是一个9条目的饮酒行为问卷，条目如下：

1.我爱饮酒

2.我爱喝烈酒

3.我早晨爱饮酒

4.工作时间也喝酒

5.每次喝酒都喝醉

6.酒的味道真滴好

7.喝酒帮助我睡眠

8.喝酒误我事

9.经常去酒吧

上面所有条目的回答均为是否二分类，具体长下图这样：

Mplus教程：如何做潜在类别分析LCA

我现在要对数据做一个潜在类别分析

潜在类别给你输出的是个体选择每一个选项的条件概率，所以响应变量一定是分类变量，这儿一定要和潜在剖面分析区分开。

对于本例来说，假如你要三个潜类别，那么结果就会有不同的潜类别在每个问题上响应为yes的和响应为no的概率，我们就是通过这种概率的不同来给不同的潜类别命名的。

比如像下面这个图这样：

Mplus教程：如何做潜在类别分析LCA

光看问题一，我们知道潜类别1和潜类别3在问题一上的响应为yes的概率真的很高，都达到了0.9以上，但是潜类别2在此问题上响应为yes的概率就不那么高了，再看问题5，只有潜类别3的人响应yes的概率高，其余都两个潜类别都不高。这些就是属于潜在类别的相应的特征，我们就是根据这些响应情况给潜类别命名的。

但是问题来了，我就这么一个条目一个看，老眼瞅花也看不清楚不同类别的具体区别呀。

没关系，虽然Mplus不好用，但是它也是可以出图来帮助我们分辨的。

我们点击plot，view plot这个选项再进一步选择line plot for multiple variables in a series

Mplus教程：如何做潜在类别分析LCA

就可以把不同潜类别在每个条目上的响应概率给你画出线图出来，这样你就可以很容易地看清楚潜类别变化趋势，进而方便命名。

比如我的数据出来的图就是如下：

Mplus教程：如何做潜在类别分析LCA

上图中x轴就是我们的条目编码，y轴是响应yes的概率，大家可以看到x轴上竟然还有各种小数，很无语哈，这个没得办法，mplus画的图只能自己瞅瞅，没法直接往论文中贴的，大家可以把每个潜类别的相应的响应概率提出来自己在excel中画，我认识的好多人都这么干的。

那么对于上面的图大家只看x轴上的整数就行，也就是条目1到9中不同潜类别的人群响应yes的概率，根据这个概率的走势给各个潜类别命名，比如我们看到蓝线是潜类别3，它在条目1，5，8中响应yes的概率都挺高，我们不妨给它命名为“酒鬼组”；而红线代表潜类别1，它在1，6，9响应比较高，但是没有像类别3那么能喝，我不妨叫它“社交饮酒组”或者“适量饮酒组”；绿线代表潜类别2，它在所有的条目中响应都不高，我不妨叫这个组“戒酒组”或者“节制组”。

还有，我们在mplus中跑完潜在类别分析后，可以把结果存下来会得到一个新的文件，比如我的例子就得到如下的新文件：

Mplus教程：如何做潜在类别分析LCA

在这个文件中有你的原始数据，还有每个观测属于具体哪一个潜类别的概率，以及每个观测最可能的潜类别。看上图，第一个观测就属于潜类别1，第二个观测就属于潜类别3，以此类推。

到这儿，大家还可以进一步探究到底是哪些因素对潜类别有影响，进而发（水）好多好多文章，基本就是这么干，挺没意思的。

我就见过就找个新东西做做潜类别，做做轨迹，然后探究探究影响因素，然后就博士毕业啦。欸，太水了。

扯远了，继续说潜在类别分析，mplus还会给你输出每个类别人数的占比，以及TECHNICAL 11 OUTPUT，和TECHNICAL 14 OUTPUT，这两个检验都是进行模型比较的，都是用你做的n个类别数的模型和n-1个类别数的模型进行比较，比如我是做的3个潜类别的模型，那么这两个检验就是告诉我，3个潜类别的模型是不是显著地比2个潜类别的模型更好。

Mplus教程：如何做潜在类别分析LCA

mplus还会输出各种常见的拟合指标比如AIC,BIC，ABIC熵值等等，大家都可以在输出文件中找得到，我就不给大家贴图了。

然后，就是你最关心的语法啦，全部给贴在下面，需要的自取吧：

Title: 
  关注Codewar不后悔.
Data:
  File is lca1.dat ;
Variable:
  names        = id item1 item2 item3 item4 item5 item6 item7 item8 item9;
  usevariables = item1 item2 item3 item4 item5 item6 item7 item8 item9;
  categorical  = item1 item2 item3 item4 item5 item6 item7 item8 item9;
  classes = c(3);
Analysis: 
  Type=mixture;
Plot:
  type is plot3;
  series is item1 (1) item2 (2) item3 (3) item4 (4) item5 (5) 
            item6 (6) item7 (7) item8 (8) item9 (9);
Savedata:
  file is lca1_save.txt ;
  save is cprob;
  format is free;
output:
  tech11 tech14;

好了今天就写到这儿，晚安。

小结

感谢大家耐心看完，自己的文章都写的很细，代码都在原文中，希望大家都可以自己做一做，请关注后私信回复“数据链接”获取所有数据和本人收集的学习资料。如果对您有用请先收藏，再点赞转发。

也欢迎大家的意见和建议，大家想了解什么统计方法都可以在文章下留言，说不定我看见了就会给你写教程哦。