mplus软件怎么用 本地化服务
价格：1000.00起
产品规格：
产品数量：
包装说明：
关 键 词：mplus软件怎么用
行 业：IT 软件 股票软件
发布时间：2021-02-24
科学软件网提供的软件覆盖各个学科，软件数量达1000余款，满足各高校和企事业单位的科研需求。此外，科学软件网还提供软件培训和研讨会服务，目前视频课程达68门，涵盖34款软件。
Mplus是一款统计建模程序，给研究人员提供了一个灵活的分析数据的工具。Mplus界面简单、数据和分析结果以图形显示，为研究人员提供广泛的模型、估计和算法的选择。Mplus允许进行横截面和纵向、单级和多级数据分析；来自不同人群的观测数据或未观测到的异质性数据，以及包含缺失值的数据都可以进行分析。可以对连续、删失、二进制、有序分类（序数）、无序类别（计数）、计数或这些变量类型的组合观测变量都可以进行分析。此外，Mplus还具有广泛的蒙特卡罗模拟功能，程序中包含的任何模型，都可以生成和分析数据。
Mplus Base Program and Mixture Add-On
包含了所有Mplus Base Program的功能。此外，估计回归混合模型；路径分析混合模型；潜在类别分析；具有多分类潜变量的潜类分析；对数线性模型；有限混合模型；编译器的平均因果关系（CACE）模型；潜在类增长分析；潜在转移分析；隐马尔可夫模型以及离散和连续时间生存混合分析。观测到的因变量可以是连续的、删失的、二元的、有序的（序数）、无序的分类（名词）、计数或这些变量类型的组合。其他功能包括单组或多组分析；缺失数据估计；复杂的调查数据分析，包括分层、聚类和不平等的选择概率（抽样权重）；用极大似然法分析潜在变量相互作用和非线性因素；随机斜率；个体变化的观测次数；非线性参数约束；所有结果类型的极大似然估计。引导的标准误差和置信区间；贝叶斯分析与多重归责原则；蒙特卡罗模拟功能以及后处理图形模型。
Mplus建模框架
建模数据的目的是以简单的方式描述数据结构，便于理解和解释。本质上，数据建模相当于变量之间的一组关系。下图表示了在Mplus建模中的关系类型。矩形表示观测变量，观测变量可以是结果变量或背景变量。背景变量为X，连续和截尾结果变量为y，二元、有序范畴（序数），无序分类（名词）和计数结果变量为u。圆圈代表潜变量。允许连续变量和类别变量，连续潜变量为f，分类潜变量为c。
图中的箭头表示变量之间的回归关系。回归关系是允许的，但在图中没有具体说明，包括观测到的结果变量之间的回归，连续潜变量之间的回归以及类别潜变量的回归。对于连续结果变量，使用的是线性回归模型。对于结果变量，在删截点有或没有通货膨胀，审查（tobit）都使用回归模型。对于二进制和有序分类结果，使用概率或logistic回归模型。对于无序的分类结果，使用多项式logistic回归模型。对于计数结果，不管通货膨胀率是否为零，都使用Poisson和负二项回归模型。
Mplus模型包括连续的潜变量、分类潜变量、连续变量和类别潜变量的组合。上图中，圆柱A描述只有潜在连续变量的模型。圆柱B描述只有特定潜变量的模型。完整的建模框架描述了连续变量和类别变量相结合的模型。上图表明，Mplus估计的描述个体水平的多层次模型（内部）和集群水平（之间）的变量。
Mplus has several options for the estimation of models with missing data. Mplus provides maximum likelihood estimation under MCAR (missing completely at random), MAR (missing at random), and NMAR (not missing at random) for continuous, censored, binary, ordered categorical (ordinal), unordered categorical (nominal), counts, or combinations of these variable types (Little & Rubin, 2002). MAR means that missingness can be a function of observed covariates and observed outcomes. For censored and categorical outcomes using weighted least squares estimation, missingness is allowed to be a function of the observed covariates but not the observed outcomes. When there are no covariates in the model, this is analogous to pairwise present analysis. Non-ignorable missing data (NMAR) modeling is possible using maximum likelihood estimation where categorical outcomes are indicators of missingness and where missingness can be predicted by continuous and categorical latent variables (Muthén, Jo, & Brown, 2003; Muthén et al., 2010 ).
科学软件网专注提供正版软件，跟上百家软件开发商有紧密合作，价格优惠，的和培训服务。
