潜类别模型（Latent Class Modeling）

1.潜类别模型概述

 潜在类别模型(Latent Class Model, LCM; Lazarsfeld & Henry, 1968)或潜在类别分析(Latent Class Analysis, LCA)是通过间断的潜变量即潜在类别(Class)变量来解释外显指标间的关联，使外显指标间的关联通过潜在类别变量来估计，进而维持其局部独立性的统计方法（见图1-1）。其基本假设是，外显变量各种反应的概率分布可以由少数互斥的潜在类别变量来解释，每种类别对各外显变量的反应选择都有特定的倾向(邱皓政，2008; Collins, & Lanza, 2010)。与潜在类别分析非常相似的是潜在剖面分析(Latent Profile Analysis, LPA)，区别在于前者处理分类变量，后者分析连续变量。

图1-1  LCM示意图

 LCM是根据个体在外显指标上的反应模式即不同的联合概率来进行参数估计的统计方法。例如，一份数学测验有10个判断题，数学能力高的个体可能全部正确的回答所有题目，能力低的学生只能正确回答容易的题目，能力中等的学生可能回答全部容易和部分困难的题目。不同能力水平的学生在正确回答不同难易水平的题目时表现出某种相似性，因此通过学生回答题目的情况可以将其分为不同的能力水平组。LCM分析逻辑的就是根据个体在外显项目上的反应模式将其分类。

1.1数学表达式

（1）潜类别分析模型

可以从方差分析的角度理解LCM。方差分析的特点是将方差分解成不同的来源，常见的有组间vs.组内和被试间vs.被试内。在LCM中，可以将方差分解为类别内和类别间(Sterba, 2013)。

根据局部独立性(local independence)假设，类别内的任意两个观测指标间的关联已通过潜类别变量解释，所以它们之间已没有关联。根据独立事件联合发生的概率等于单独发生概率之积的原理，在每个类别内部，多个两点计分项目的联合概率可以表示为：