latent-profile-analysis

免费、本地运行的潜在剖面分析（LPA）与潜在类别分析（LCA）工具，支持 CSV/Excel/.dat 格式输入，提供 Python API（`lpa_core.api.analyze`）、结果 JSON Schema（result.json）、一键流水线工作流、已知真值模拟数据生成（simulate）、Bootstrap 置信区间估计（uncertainty）、CI 覆盖率验证（coverage）、Monte Carlo 样本量规划与功效分析（power）。 工具首先执行数据筛查：包括反向计分处理、Cronbach's α 信度检验、EFA/KMO 因子适用性检验、Mahalanobis 距离异常值检测、缺失数据模式分析；随后自动检查数据特征并建议采用 LPA 或 LCA 模型。 模型枚举范围 K=1–10，缺失数据采用 FIML（完全信息最大似然）处理。模型选择基于 AIC/BIC/aBIC/ICL/熵/LMR/BLRT 等指标综合比较。 输出内容包括：个体类别归属概率、R3STEP 三步法协变量分析（类别预测变量影响）、多种子/多设定/K±1/完整样本的稳定性核验（使用 ARI 指标）、论文级 HTML/DOCX 格式报告、Mplus .inp 语法文件（适用于 LPA 模型）。 工具还提供结果目录一致性审计功能，并对论文草稿进行数字准确性、结构完整性与结论强度核对。 所有计算均在本地完成：无需账号、无需网络调用、无遥测数据上传。 **不适用于以下场景**：多层/加权/嵌套数据结构、纵向 LTA/GMM 模型、SEM/CFA 结构方程模型、PROCESS 中介调节分析、PLS-SEM、fsQCA、BCH 远端结局分析——此类分析请使用专用工具或 mplus-lpa/mplus-sem。 **适用场景包括**：潜在剖面分析（LPA）、潜在类别分析（LCA）、人群分型与分类、反向计分处理、信度分析、探索性因子分析（EFA）、数据筛查、模型稳定性检验、论文结果一致性核对、模拟数据生成、置信区间估计、Bootstrap 重抽样、覆盖率验证、样本量规划、功效分析（power analysis）、类别枚举（class enumeration）、剖面命名（profile naming）、结果验证（result verification）、手稿一致性检查（manuscript consistency）、复现或核对 Mplus 枚举表等。

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本

相关资产