【原】R语言代码合集：轨迹增长模型、潜类别模型、潜剖面合集

---

最近很多人咨询关于潜变量模型的R语言代码。潜变量模型包括了基于潜变量思想的多种方法模型：

• 适用于定性数据的潜类别分析Latent Class Analysis (LCA)

• 适用于定量数据的潜剖面分析Latent Profile Analysis (LPA)

• 适用于纵向数据的潜类别增长模型Latent class growth analysis(LCGA)和潜类别增长混合模型Latent growth mixture modelling(LGMM)等。

因此，本文就针对上述几类模型讲述其在R语言中如何实现。

一、轨迹模型R语言实践

1.安装和加载lcmm包和加载数据集

首先，构建轨迹模型需要安装和加载lcmm包，并加载好数据集。

可以看到数据集中，id表示研究对象的ID，age表示测量bmi时研究对象的年龄，bmi表示研究对象在当前年龄下测量的BMI，这是一个典型的纵向数据，适合构建轨迹模型。

2.使用hlme()函数构建轨迹模型

使用hlme()函数构建轨迹模型的基本形式如下图。

构建轨迹模型的第一步，我们需要构建好分组数为1的初始模型来作为后续确定最佳分组数的参照，在这里我们以构建LGMM为例。

3.根据BIC准则来选择最佳潜在类别数(ng)

下面代码通过一个循环语句构建了分组数为2到7的潜类别增长混合模型并输出模型的BIC值。

代码运行结果如下图所示，可以看到分组数为6时的模型BIC最小。

4.查看最小的BIC值对应的最优模型及其评价指标

我们提取分组数为6的模型作为最优模型，并且可以查看模型的多个评价参数。

5.模型可视化

通过上面的代码来绘图，可以得到所构建模型的轨迹图如下。

6.整合数据集

通过以上代码将构建模型所得到的潜变量提取整合到原始数据集中，整合数据如下图所示，可以看到class即为轨迹模型所生成的潜变量。