Latent GOLD® 的集群模块提供了基于潜在类模型的最先进的集群分析。潜在类别是不可观察的（潜在）子组或段。同一潜在类别中的案例在某些标准（变量）上是同质的，而不同潜在类别中的案例在某些重要方面彼此不同。

传统的潜在类别模型可用于处理分类变量中的测量和分类错误，并且可以容纳名义、有序、连续、计数或这些的任意组合的可变量。协变量也可以直接包含在模型中，以改进集群描述。

Latent GOLD® 通过包括模型选择标准和基于概率的分类来改进传统的 ad-hoc 类型的聚类分析方法。后验成员概率直接从模型参数估计，并用于将案例分配给类。

DFactor 模型通常用于减少变量或定义有序的态度尺度。它包含一个或多个 DF 因子，这些 DF 因子将共享同一变异源的变量组合在一起。每个 DFactor 要么是二分法（默认选项），要么由 3 个或更多有序级别（有序潜在类）组成。

通过这种方式，Latent GOLD®的因子模块与传统因子分析相比具有以下几个优势：

• 解决方案可以立即解释，不需要轮换
• 假设因子是有序的而不是连续的
• 估计因子分数不需要额外的假设
• 观察到的变量可以是名义变量、有序变量、连续变量或计数变量，或这些变量的任意组合

回归模型用于将因变量预测为同质总体中预测变量的函数。

Latent GOLD® 还可以通过包含分类潜在变量来估计异质人群中的回归模型。该潜在变量的每个类别代表具有相同回归系数的同质亚群（段）。

您可以使用信息性诊断统计来查看是否需要多个模型。

根据因变量尺度类型估计合适的模型：

• 连续变量 - 线性回归（具有正态分布的残差）
• 二分变量 - 二元逻辑回归
• 名义变量 - 多项逻辑回归
• 序数变量 - 相邻类别序数逻辑回归
• 计数数据 - 对数线性泊松回归
• 二项式计数 - 二项式逻辑回归模型

执行潜在类分析后，您可能希望调查类成员和外部变量之间的关系。一种流行的三步法是首先估计感兴趣的潜在类模型（步骤 1），然后使用个人的后验类成员概率将个体分配到潜在类（步骤 2），然后调查分配的类成员与外部变量（步骤 3）。

在第 2 步中，将个人分配到潜在类别时会引入分类错误。与外部变量的关联估计需要针对分类错误进行校正，以防止向下偏差（Bolck、Croon 和 Hagenaars，2004 年）。 Step3 模块实现了两个偏差调整程序（Vermunt，2010）。

Step3 模块可用于预测类成员的外部变量（协变量选项）或由类成员预测的外部变量（相关选项）。这两种类型的外部变量也分别称为伴随变量和远端结果。

您还可以选择使用模态或比例分配规则将案例分配给潜在类别，并获得对新案例进行评分的精确方程。