统计建模程序 Mplus 8.3 Combo Version

Mplus破解版是一种统计建模程序，为研究人员提供了一种灵活的工具来分析他们的数据。Mplus为研究人员提供了多种模型，估算器和算法选择，该程序具有易于使用的界面以及数据和分析结果的图形显示。Mplus允许分析横截面和纵向数据，单级和多级数据，来自不同群体的数据，这些数据具有观察到的或未观察到的异质性，以及包含缺失值的数据。可以对观察到的变量进行分析，这些变量是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。此外，Mplus还具有广泛的蒙特卡罗模拟研究能力，Mplus建模框架的一般性来自连续和分类潜在变量的独特使用。连续潜变量用于表示对应于未观察到的构建体的因子，对应于发育中个体差异的随机效应，对应于层次数据中各组系数变化的随机效应，对应于存活时间中未观察到的异质性的弱点，对应于遗传易感性的负债。疾病和对应于缺失数据的潜在响应变量值。分类潜在变量用于表示与同类群体相对应的潜在类别，本次带来Mplus破解版下载，有需要的朋友不要错过了！


安装破解教程

1、在本站下载并解压，双击Mplus_v8.3_Win_combo版.msi运行，勾选我接受许可证协议条款，点击next

2、选择软件安装路径，点击next

3、安装完成， 退出向导


软件功能

1、Mplus建模框架
数据建模的目的是以简单的方式描述数据结构，以使其易于理解和解释。实质上，数据建模相当于指定变量之间的一组关系。下图显示了可以在Mplus中建模的关系类型。矩形代表观察到的变量。观察到的变量可以是结果变量或背景变量。背景变量称为x; 连续和审查结果变量称为y; 二元，有序分类（序数），无序分类（名义）和计数结果变量称为u。圆圈代表潜在变量。允许连续和分类潜在变量。连续潜在变量称为f。
图中的箭头表示变量之间的回归关系。允许但未在图中具体显示的回归关系包括观察到的结果变量，连续潜在变量和分类潜在变量之间的回归。对于连续结果变量，使用线性回归模型。对于删失的结果变量，使用审查（tobit）回归模型，在审查点有或没有通货膨胀。对于二元和有序分类结果，使用概率或逻辑回归模型。对于无序的分类结果，使用多项逻辑回归模型。对于计数结果，使用泊松和负二项回归模型，在零点处有或没有膨胀。
Mplus中的模型可以包括连续潜在变量，分类潜在变量，或连续和分类潜在变量的组合。在上图中，Ellipse A描述了只有连续潜在变量的模型。椭圆B描述仅具有分类潜在变量的模型。完整的建模框架描述了具有连续和分类潜在变量组合的模型。上图的内部和之间部分表示可以使用Mplus估计描述个别级（内部）和集群级（之间）变化的多级模型。
2、具有连续潜变量的建模
椭圆A描述仅具有连续潜在变量的模型。以下是Ellipse A中的模型，可以使用Mplus估算：
回归分析
路径分析
探索性因素分析
验证性因素分析
结构方程模型
成长模型
离散时间生存分析
连续时间生存分析
观察到的结果变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。
针对所有观察到的结果变量类型，上述模型提供的特殊功能包括：
单组或多组分析
缺少MCAR，MAR和NMAR下的数据以及多次插补
复杂的调查数据特征包括分层，聚类，不等的选择概率（抽样权重），亚种群分析，重复权重和有限种群校正
潜在变量相互作用和使用最大似然的非线性因子分析
随机斜坡
个别不同的观察时间
线性和非线性参数约束
间接影响包括特定路径
所有结果类型的最大似然估计
Bootstrap标准错误和置信区间
参数等式的Wald卡方检验
潜在变量的合理值
3、用分类潜变量建模
椭圆B描述仅具有分类潜在变量的模型。以下是Ellipse B中的模型，可以使用Mplus进行估算：
回归混合建模
路径分析混合建模
潜类分析
具有协变量和直接效应的潜类分析
确认潜类分析
具有多个分类潜在变量的潜类分析
对数线性建模
潜变量分布的非参数化建模
多组分析
有限混合建模
编译器平均因果效应（CACE）建模
潜在过渡分析和隐马尔可夫模型，包括混合和协变量
潜类增长分析
离散时间生存混合物分析
连续时间生存混合物分析
观察到的结果变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。上面列出的大多数特殊功能适用于具有分类潜在变量的模型。还提供以下特殊功能：
使用级间分类潜在变量进行分析
使用基于后验概率的多重插补法测试潜在类别的平均值
潜类的合理值
3、用连续和分类的LATENT变量建模
完整的建模框架包括具有连续和分类潜在变量组合的模型。观察到的结果变量可以是连续的，删失的，二元的，有序的分类（序数），计数或这些变量类型的组合。此外，对于非中介结果的回归分析和路径分析，观察到的结果变量也可以是无序的分类（名义）。上面列出的大多数特殊功能适用于具有连续和分类潜在变量的模型。以下是完整建模框架中的模型，可以使用Mplus进行估算：
具有随机效应的潜类分析
因子混合建模
结构方程混合建模
用潜在轨迹类建模的生长混合物
离散时间生存混合物分析
连续时间生存混合物分析
上面列出的大多数特殊功能适用于具有连续和分类潜在变量的模型。还提供以下特殊功能：
使用级间分类潜在变量进行分析
使用基于后验概率的多重插补法测试潜在类别的平均值
4、用复杂的调查数据建模
Mplus中有两种分析复杂调查数据的方法。一种方法是计算标准误差和模型拟合的卡方检验，考虑到分层，由于群集采样导致的观察的非独立性和/或选择的不等概率。也可以使用亚群分析，重复权重和有限群体校正。利用采样权重，通过最大化加权对数似然函数来估计参数。标准误差计算使用夹心估算器。对于这种方法，观察到的结果变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。
第二种方法是为多级数据的每个级别指定模型，从而对由于整群采样引起的观察的非独立性建模。这通常称为多级建模。允许在参数估计，标准误差和模型拟合的卡方检验中使用采样权重。可以使用单个级别和集群级别权重。利用采样权重，通过最大化加权对数似然函数来估计参数。标准误差计算使用夹心估算器。对于这种方法，观察到的结果变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。
完整建模框架的多级扩展允许随机截距和随机斜率在分层数据中的簇之间变化。对于独立变量和因变量以及观察变量和潜在变量，可以为完整Mplus模型的任何关系指定这些随机效应。表示截距和斜率中的跨群体变化或生长中的个体差异的随机效应可以与通过个体和群集水平上的多个指标测量的因子组合。与SEM一致，允许随机效应，因子之间以及随机效应和因子之间的回归。
可以组合上述两种方法。除了为多级数据的每个级别指定模型，从而对由于聚类采样引起的观察的非独立性进行建模之外，还计算标准误差和模型拟合的卡方检验，同时考虑到分层，观察的非独立性。聚类采样和/或选择概率不等。当由于主要和次要采样阶段存在聚类时，计算模型拟合的标准误差和卡方检验，同时考虑由于初级采样阶段的聚类，并且由于二次采样阶段的聚类被建模。
上面列出的大多数特殊功能可用于复杂调查数据的建模。
5、用缺失数据建模
Mplus有几种方法可用于估计缺失数据的模型。Mplus提供MCAR下的最大似然估计（完全随机丢失），MAR（随机丢失）和NMAR（随机丢失）连续，删失，二元，有序分类（序数），无序分类（名义），计数，或这些变量类型的组合（Little＆Rubin，2002）。MAR意味着缺失可以是观察到的协变量和观察到的结果的函数。对于使用加权最小二乘估计的审查和分类结果，允许缺失是观察到的协变量的函数，而不是观察到的结果。当模型中没有协变量时，这类似于成对存在分析。
在所有模型中，观察到的协变量不允许缺失，因为它们不是模型的一部分。该模型以协变量为条件进行估计，并且没有关于协变量的分布假设。如果将协变量引入模型并且对它们进行诸如正态性的分布假设，则可以对协变量缺失进行建模。对于缺失的数据，使用观察到的信息矩阵计算参数估计的标准误差（Kenward＆Molenberghs，1998）。Bootstrap标准错误和置信区间也可用于丢失数据。
Mplus使用贝叶斯分析提供了多个缺失数据的插补（Rubin，1987; Schafer，1997）。无限制的H1模型和受限制的H0模型都可用于插补。
使用Mplus的特殊功能可以分析使用多次插补生成的多个数据集。参数估计在分析集合上取平均值，并且使用分析集合之间的标准误差的平均值和分析参数估计变化之间的平均值来计算标准误差（Rubin，1987; Schafer，1997）。提供了整体模型拟合的卡方检验（Asparouhov＆Muthén，2008c; Enders，2010）。
6、估计和算法
Mplus提供贝叶斯和频率推理。贝叶斯分析使用马尔可夫链蒙特卡罗（MCMC）算法。可以通过迹线和自相关图监测后验分布。可以通过使用多个MCMC链中的并行计算的Gelman-Rubin潜在缩放减少来监视收敛。提供后验预测检查。
频繁分析使用最大似然和加权最小二乘估计。Mplus为所有模型提供最大似然估计。通过审查和分类结果，还可以使用替代加权最小二乘估计。对于所有类型的结果，提供了标准误差的稳健估计和模型拟合的稳健卡方检验。这些程序考虑了由于整群抽样导致的结果的非正态性和观察的非独立性。使用夹心估计器计算稳健的标准误差。使用均值和均值和方差调整以及基于似然的方法来计算模型拟合的稳健卡方检验。大多数型号都可以使用Bootstrap标准错误。优化算法使用以下一种或组合：准牛顿，费舍尔得分，Newton-Raphson和期望最大化（EM）算法（Dempster等，1977）。允许线性和非线性参数约束。利用最大似然估计和分类结果，具有连续潜变量和因变量缺失数据的模型需要在计算中进行数值积分。数值积分在有或没有自适应求积的情况下结合矩形积分，高斯 - 厄米特积分或蒙特卡罗积分进行。
7、蒙特卡罗模拟能力
Mplus拥有广泛的蒙特卡罗设施，可用于数据生成和数据分析。可以生成几种类型的数据：简单随机样本，聚类（多级）数据，缺失数据，离散和连续时间生存数据，以及来自观察到的群体（多个群组）或未观察到的群体（潜在类别）的数据。数据生成模型可以包括连续潜在变量之间和分类潜变量之间的随机效应和相互作用。结果变量可以生成为连续，删失，二元，有序分类（序数），无序分类（名义），计数或这些变量类型的组合。此外，可以生成两部分（半连续）变量和时间到事件变量。独立变量可以生成为二进制或连续。
分析模型可以与数据生成模型不同。例如，变量可以生成为分类，分析为连续或生成为三类模型，并作为两类模型进行分析。在某些情况下，需要一个特殊的外部蒙特卡罗功能来通过一个模型生成数据并通过不同的模型进行分析。例如，可以使用群集设计生成变量，并忽略群集进行分析。在Mplus之外生成的数据也可以使用这种特殊的外部蒙特卡罗功能进行分析。
其他特殊的蒙特卡罗功能包括从实际数据分析中保存参数估计值，以用作蒙特卡罗模拟研究中数据生成的总体和/或覆盖值。此外，蒙特卡罗模拟研究的每次复制的分析结果可以保存在外部文件中。
8、GRAPHICS
Mplus包括一个基于对话框的后处理图形模块，可以提供观察数据和分析结果的图形显示，包括异常值和有影响的观察结果。
完成Mplus分析后，可以查看这些图形显示。它们包括直方图，散点图，各个观察值和估计值的图，样本图和估计平均值和比例/概率，作为其协变量函数的分类潜变量的估计概率图，项目特征曲线图和信息曲线，生存和危险曲线图，缺失数据统计图和与贝叶斯估计有关的图。这些可用于总样本，按组，按类别，并针对协变量进行调整。可以编辑图形显示并将其导出为DIB，EMF或JPEG文件。此外，每个图形显示的数据可以保存在外部文件中，供另一个图形程序使用。
9、语言生成器
Mplus包含一个语言生成器，可帮助用户创建Mplus输入文件。语言生成器通过一系列屏幕引导用户，提示他们提供有关其数据和模型的信息。语言生成器包含除DEFINE，MODEL，PLOT和MONTECARLO之外的所有Mplus命令。在版本2之后添加的功能不包含在语言生成器中。

软件特色


1、Mplus基础计划
Mplus基础程序估计回归，路径分析，探索性和验证性因子分析（EFA和CFA），结构方程（SEM），增长以及离散和连续时间生存分析模型。在回归和路径分析模型中，观察到的因变量可以是连续的，删失的，二元的，有序的分类（序数），计数或这些变量类型的组合。此外，对于非中介变量的回归分析和路径分析，观察到的因变量可以是无序的分类（标称）。在EFA中，因子指标可以是连续的，二元的，有序的分类（序数），或这些变量类型的组合。在CFA，SEM和增长模型中，观察到的因变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数，或这些变量类型的组合。其他特殊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，聚类和不等的选择概率（抽样权重）; 潜在变量相互作用和使用最大似然的非线性因子分析; 随机斜坡; 个别变化的观察时间; 非线性参数约束; 间接影响; 所有结果类型的最大似然估计; 自举标准误差和置信区间; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。聚类和不相等的选择概率（抽样权重）; 潜在变量相互作用和使用最大似然的非线性因子分析; 随机斜坡; 个别变化的观察时间; 非线性参数约束; 间接影响; 所有结果类型的最大似然估计; 自举标准误差和置信区间; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。聚类和不相等的选择概率（抽样权重）; 潜在变量相互作用和使用最大似然的非线性因子分析; 随机斜坡; 个别变化的观察时间; 非线性参数约束; 间接影响; 所有结果类型的最大似然估计; 自举标准误差和置信区间; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。自举标准误差和置信区间; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。自举标准误差和置信区间; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。
2、Mplus基本程序和混合加载项
Mplus Base Program和Mixture Add-On包含Mplus Base Program的所有功能。此外，它估计回归混合模型; 路径分析混合模型; 潜类分析; 具有多个分类潜变量的潜类分析; 对数线性模型; 有限混合模型; 编译器平均因果效应（CACE）模型; 潜类增长分析; 潜在过渡分析; 隐马尔可夫模型; 离散和连续时间生存混合物分析。观察到的因变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。其他特殊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，和不相等的选择概率（抽样权重）; 潜在变量相互作用和使用最大似然的非线性因子分析; 随机斜坡; 个别变化的观察时间; 非线性参数约束; 间接影响; 所有结果类型的最大似然估计; 自举标准误差和置信区间; 随机启动自动启动值; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。自举标准误差和置信区间; 随机启动自动启动值; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。自举标准误差和置信区间; 随机启动自动启动值; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。
3、Mplus基本程序和多级附加组件
Mplus Base Program和Multilevel Add-On包含Mplus Base Program的所有功能。此外，它使用多级模型估计聚类数据的模型。这些模型包括多级回归分析，多级路径分析，多级因子分析，多级结构方程建模，多级增长建模以及多级离散和连续时间生存模型。在多级分析中，观察到的因变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。其他特殊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，聚类和不等的选择概率（抽样权重）; 潜在变量相互作用和使用最大似然的非线性因子分析; 随机斜坡; 个别变化的观察时间; 非线性参数约束; 所有结果类型的最大似然估计; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。
4、Mplus基本程序和组合附加组件
Mplus基本程序和组合附加组件包含Mplus基本程序以及混合和多级附加组件的所有功能。此外，它包括处理同一模型中的聚类数据和潜在类别的模型，例如，两级回归混合分析，两级混合验证因子分析（CFA）和结构方程模型（SEM），以及两个 - 水平潜类分析，多级增长混合物建模，以及两级离散和连续时间生存混合物分析。其他特殊功能包括缺少数据估计; 复杂的调查数据分析，包括分层，聚类和不等的选择概率（抽样权重）; 潜在变量相互作用和使用最大似然的非线性因子分析; 随机斜坡; 个别变化的观察时间; 非线性参数约束; 所有结果类型的最大似然估计; 贝叶斯分析和多重插补; 蒙特卡罗模拟设施; 和后处理图形模块。使用说明一、多级混合建模  
多级混合模型（Asparouhov＆Muthén，2008a）结合了多级和混合模型，不仅允许多级数据的建模，而且还允许子群体的建模，其中群体成员资格是未知的，而是从数据推断出来的。混合物建模可以与第9章中讨论的多级分析相结合。观察到的结果变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。  
对于横截面数据，Mplus中的级别数与传统多级建模程序中的级别数相同。Mplus允许两级建模。对于纵向数据，Mplus中的级别数量比传统多级建模程序中的级别数量少一个，因为Mplus采用多变量方法进行重复测量分析。纵向模型是传统多级程序中的两级模型，而它们是Mplus中的单级模型。第6章讨论了单级纵向模型，第8章讨论了单级纵向混合模型。三级纵向分析，其中时间是第一级，个体是第二级，第三级是第三级通过Mplus中的两级增长建模，如第9章所述。  
多级混合模型可包括回归分析，路径分析，验证性因子分析（CFA），项目反应理论（IRT）分析，结构方程模型（SEM），潜类分析（LCA），潜在过渡分析（LTA），潜在类增长分析（LCGA），生长混合物建模（GMM），离散时间生存分析，连续时间生存分析以及这些模型的组合。  
可以使用以下特殊功能估算所有多级混合模型：  
·单组或多组分析  
·缺少数据  
·复杂的调查数据  
·潜在变量相互作用和使用最大似然的非线性因子分析  
·随机斜坡  
·观察的个别变化时间  
·线性和非线性参数约束  
·所有结果类型的最大似然估计  
·参数等式的Wald卡方检验  
·使用级间分类潜在变量进行分析  
·使用基于后验概率的多重插补法测试潜在类别的均值  
对于TYPE=MIXTURE，使用VARIABLE命令的KNOWNCLASS选项指定多组分析。默认是使用所有可用数据估计缺失数据理论下的模型。DATA命令的LISTWISE选项可用于从分析中删除在一个或多个分析变量上具有缺失值的所有观察值。通过使用ANALYSIS命令的TYPE=COMPLEX选项结合STRATIFICATION，CLUSTER，可以获得标准误差的校正和模型拟合的卡方检验，其中考虑了分层，观察的非独立性和选择的不等概率。VARIABLE命令的，WEIGHT，WTSCALE，BWEIGHT和BWTSCALE选项。通过使用|指定潜在变量交互MODEL命令的符号与MODEL命令的XWITH选项一起使用。使用|指定随机斜率MODEL命令的符号与MODEL命令的ON选项一起使用。通过使用|指定单独变化的观察时间MODEL命令的符号与MODEL命令的AT选项和VARIABLE命令的TSCORES选项一起使用。使用MODELCONSTRAINT命令指定线性和非线性参数约束。通过使用ANALYSIS命令的ESTIMATOR选项指定最大似然估计。MODELTEST命令用于使用Wald卡方检验测试MODEL和MODELCONSTRAINT命令中参数的线性限制。使用VARIABLE命令的CLASSES和BETWEEN选项指定级间分类潜在变量。AUXILIARY选项用于使用基于后验概率的多重插补来测试潜在类中平均值的相等性。  
可以使用PLOT命令结合后处理图形模块获得观察数据和分析结果的图形显示。PLOT命令提供直方图，散点图，各个观察值和估计值的图，以及样本和估计平均值和比例/概率的图。这些可用于总样本，按组，按类别，并针对协变量进行调整。PLOT命令包括显示每个变量的一组描述性统计数据的显示。可以编辑图形显示并将其导出为DIB，EMF或JPEG文件。此外，每个图形显示的数据可以保存在外部文件中，供另一个图形程序使用。  
二、少数据建模和贝叶斯分析  
Mplus使用频率分析和贝叶斯分析来估计具有缺失数据的模型。描述性统计和图形可用于理解纵向研究中的辍学。贝叶斯分析为缺失数据提供了多重插补，并为潜在变量提供了合理的值。
通过频率分析，Mplus提供MCAR下的最大似然估计（完全随机丢失），MAR（随机丢失）和NMAR（随机丢失）连续，审查，二元，有序分类（序数），无序分类（名义上）），计数或这些变量类型的组合（Little＆Rubin，2002）。MAR意味着缺失可以是观察到的协变量和观察到的结果的函数。对于使用加权最小二乘估计的审查和分类结果，允许缺失是观察到的协变量的函数，而不是观察到的结果。当模型中没有协变量时，这类似于成对存在分析。使用最大似然估计可以进行不可忽略的缺失数据（NMAR）建模，其中分类结果是缺失的指标，并且可以通过连续和分类潜在变量预测缺失（Muthén，Jo，＆Brown，2003;Muthén等，2011））。这包括选择模型，模式混合模型和共享参数模型（参见，例如，Muthén等，2011）。在所有模型中，删除关于协变量的缺失数据的观察结果，因为模型是基于协变量估计的。如果将协变量引入模型并且对它们进行诸如正态性的分布假设，则可以对协变量缺失进行建模。对于缺失的数据，使用观察到的信息矩阵计算参数估计的标准误差（Kenward＆Molenberghs，1998）。  
使用贝叶斯分析，使用缺失数据进行建模可以渐近地得到与MAR下最大似然估计相同的结果。使用贝叶斯分析（Rubin，1987;Schafer，1997）对缺失数据进行多次插补也是可行的。有关概述，请参阅Enders（2010）。无限制的H1模型和受限制的H0模型都可用于插补。有几种不同的算法可用于H1插补，包括顺序回归，也称为链式回归，与Raghunathan等人一致。（2001年）;另见vanBuuren（2007）。提供了对潜在变量的合理值的多次插补。对于在项目反应理论的背景下应用合理值，请参阅Mislevy等。（1992）和vonDavier等。（2009年）。使用多重插补生成的多个数据集可以使用Mplus的特殊功能使用频率估计器进行分析。参数估计在分析集合上取平均值，并且使用分析集合之间的标准误差的平均值和分析参数估计变化之间的平均值来计算标准误差（Rubin，1987;Schafer，1997）。通过最大似然估计提供整体模型拟合的卡方检验（Asparouhov＆Muthén，2008c;Enders，2010）。  
三、蒙特卡罗模拟研究  
蒙特卡罗模拟研究通常用于在各种条件下对统计估计量的性能进行方法学研究。它们还可用于决定研究所需的样本量和确定功效（Muthén＆Muthén，2002）。蒙特卡罗研究有时被称为模拟研究。  
Mplus拥有广泛的蒙特卡罗模拟设施，可用于数据生成和数据分析。可以生成几种类型的数据：简单随机样本，聚类（多级）数据，缺失数据以及来自观察到的群体（多个群组）或未观察到的群体（潜在类别）的数据。数据生成模型可以包括随机效应，连续潜在变量之间的相互作用，连续潜变量和观察变量之间的相互作用，以及分类潜在变量之间的相互作用。因变量可以是连续的，删失的，二元的，有序的分类（序数），无序的分类（名义），计数或这些变量类型的组合。此外，可以生成两部分（半连续）变量和时间到事件变量。独立变量可以是二元或连续的。  
分析模型可以与数据生成模型不同。例如，变量可以生成为分类并分析为连续，或者数据可以生成为三类模型并分析为两类模型。在某些情况下，需要一个特殊的外部蒙特卡罗功能来通过一个模型生成数据并通过不同的模型进行分析。例如，可以使用群集设计生成变量，并忽略群集进行分析。在Mplus之外生成的数据也可以使用这种特殊的蒙特卡罗功能进行分析。  
可以与蒙特卡罗模拟研究一起使用的其他特殊功能包括保存真实数据分析中的参数估计值，以用作蒙特卡罗模拟研究中的数据生成的总体参数和/或覆盖值。此外，蒙特卡罗模拟研究的每次复制的分析结果可以保存在外部文件中以供进一步调查。第19章讨论了MONTECARLO命令的选项。  
蒙特卡罗数据生成可包括以下特殊功能：  
·非混合模型的单组或多组分析  
·缺少数据  
·复杂的调查数据  
·潜在变量相互作用和使用最大似然的非线性因子分析  
·随机斜坡  
·观察的个别变化时间  
·线性和非线性参数约束  
·间接影响，包括特定路径  
·所有结果类型的最大似然估计  
·参数等式的Wald卡方检验  
·使用级间分类潜在变量进行分析  
通过使用MONTECARLO命令的NGROUPS选项和MODELPOPULATION-label命令指定多组数据生成。通过使用MONTECARLO命令的PATMISS和PATPROBS选项或MONTECARLO命令的MISSING选项以及MODELMISSING命令来指定缺少数据生成。通过使用ANALYSIS命令的TYPE=TWOLEVEL选项以及MONTECARLO命令的NCSIZES和CSIZES选项生成复杂的测量数据。通过使用|生成潜在变量交互MODELPOPULATION命令的符号与MODELPOPULATION命令的XWITH选项一起使用。使用|生成随机斜率MODELPOPULATION命令的符号与MODELPOPULATION命令的ON选项一起使用。通过使用|生成单独变化的观察时间MODELPOPULATION命令的符号与MODELPOPULATION命令的AT选项和MONTECARLO命令的TSCORES选项一起使用。使用MODELCONSTRAINT命令指定线性和非线性参数约束。使用MODELINDIRECT命令指定间接效果。通过使用ANALYSIS命令的ESTIMATOR选项指定最大似然估计。MODELTEST命令用于使用Wald卡方检验测试MODEL和MODELCONSTRAINT命令中参数的线性限制。使用GENCLASSES选项生成级别间分类潜在变量，并使用CLASSES和BETWEEN选项指定。使用MODELINDIRECT命令指定间接效果。通过使用ANALYSIS命令的ESTIMATOR选项指定最大似然估计。MODELTEST命令用于使用Wald卡方检验测试MODEL和MODELCONSTRAINT命令中参数的线性限制。使用GENCLASSES选项生成级别间分类潜在变量，并使用CLASSES和BETWEEN选项指定。使用MODELINDIRECT命令指定间接效果。通过使用ANALYSIS命令的ESTIMATOR选项指定最大似然估计。MODELTEST命令用于使用Wald卡方检验测试MODEL和MODELCONSTRAINT命令中参数的线性限制。使用GENCLASSES选项生成级别间分类潜在变量，并使用CLASSES和BETWEEN选项指定。  
四、具有纵向数据的混合物建模  
混合建模是指使用分类潜在变量进行建模，这些潜在变量表示人口成员资格未知但是从数据推断的子群体。这被称为统计学中的有限混合建模（McLachlan＆Peel，2000）。有关不同混合模型的概述，请参见Muthén（2008）。在使用纵向数据的混合建模中，通过分类和连续潜在变量捕获随时间变化的结果的未观察到的异质性。最简单的纵向混合模型是潜类生长分析（LCGA）。在LCGA中，混合物对应于不同的潜在轨迹类别。课堂上不允许个人差异（Nagin，1999;Roeder，Lynch，＆Nagin，1999;Kreuter＆Muthén，2008）。另一种纵向混合模型是生长混合物模型（GMM;Muthén＆Shedden，1999;Muthén等，2002;Muthén，2004;Muthén和Asparouhov，2009）。在GMM中，潜在轨迹类允许个体的类内变化。类内变化由随机效应表示，即连续潜变量，如常规增长建模。第6章讨论的所有增长模型都可以推广到混合建模。用于分析纵向数据的另一种混合模型是潜在过渡分析（LTA;Collins和Wugalter，1992;Reboussin等，1998），也称为隐马尔可夫模型，其中潜在类指标随时间测量并允许个体潜在阶级之间的过渡。采用离散时间生存混合物分析（DTSMA;Muthén＆Masyn，2005），重复观察到的结果代表事件历史。还可以获得连续时间生存混合物建模（Asparouhov等，2006）。对于具有纵向数据的混合建模，观察到的结果变量可以是连续的，删失的，二元的，有序的分类（序数），计数或这些变量类型的组合。  
可以使用以下特殊功能估算所有纵向混合模型：  
·单组或多组分析  
·缺少数据  
·复杂的调查数据  
·潜在变量相互作用和使用最大似然的非线性因子分析  
·随机斜坡  
·观察的个别变化时间  
·线性和非线性参数约束  
·间接影响，包括特定路径  
·所有结果类型的最大似然估计  
·Bootstrap标准错误和置信区间  
·参数等式的Wald卡方检验  
·使用基于后验概率的多重插补法测试潜在类别的均值  
对于TYPE=MIXTURE，使用VARIABLE命令的KNOWNCLASS选项指定多组分析。默认是使用所有可用数据估计缺失数据理论下的模型。DATA命令的LISTWISE选项可用于从分析中删除在一个或多个分析变量上具有缺失值的所有观察值。通过使用ANALYSIS命令的TYPE=COMPLEX选项结合STRATIFICATION，CLUSTER，可以获得标准误差的校正和模型拟合的卡方检验，其中考虑了分层，观察的非独立性和选择的不等概率。和VARIABLE命令的WEIGHT选项。SUBPOPULATION选项用于在分析子群体（域）时选择分析的观察结果。通过使用|指定潜在变量交互MODEL命令的符号与MODEL命令的XWITH选项一起使用。使用|指定随机斜率MODEL命令的符号与MODEL命令的ON选项一起使用。通过使用|指定单独变化的观察时间MODEL命令的符号与MODEL命令的AT选项和VARIABLE命令的TSCORES选项一起使用。使用MODELCONSTRAINT命令指定线性和非线性参数约束。使用MODELINDIRECT命令指定间接效果。通过使用ANALYSIS命令的ESTIMATOR选项指定最大似然估计。通过使用ANALYSIS命令的BOOTSTRAP选项获得Bootstrap标准错误。通过将ANALYSIS命令的BOOTSTRAP选项与OUTPUT命令的CINTERVAL选项结合使用，可以获得Bootstrap置信区间。MODELTEST命令用于使用Wald卡方检验测试MODEL和MODELCONSTRAINT命令中参数的线性限制。AUXILIARY选项用于使用基于后验概率的多重插补来测试潜在类中平均值的相等性。  
可以使用PLOT命令结合后处理图形模块获得观察数据和分析结果的图形显示。PLOT命令提供直方图，散点图，各个观察值和估计值的图，样本图和估计均值和比例/概率，以及作为其协变量函数的分类潜在变量的估计概率图。这些可用于总样本，按组，按类别，并针对协变量进行调整。PLOT命令包括显示每个变量的一组描述性统计数据的显示。可以编辑图形显示并将其导出为DIB，EMF或JPEG文件。此外，每个图形显示的数据可以保存在外部文件中，供另一个图形程序使用。


更新日志


Mplus版本8。3，2019年4月30日
Mplus版本8.3现已推出。Mplus版本8.3包括对自2018年11月发布8.2版以来发现的小问题的更正以及以下新功能：
使用新的并行计算方法对贝叶斯计算进行了显着的速度改进（Asparouhov＆Muthén，2019a）。此外，贝叶斯算法已经重新组织以产生更快的计算。由此产生的加速特别值得注意的是多级和时间序列（DSEM / RDSEM）分析，在某些情况下，计算时间减少一半甚至减少到8.2版本时序的20％。技术文档中提供了各种示例的时序表。（下载时序示例 - i9-9900k，Proc = 4）。
使用XWITH选项（Asparouhov＆Muthén，2019b）对具有潜变量相互作用的两级模型进行贝叶斯估计。这对于具有适度的模型尤其有用，其中由于需要数值积分，最大似然估计是有问题的。（下载第4节贝叶斯示例）
BOOTSTRAP选项适用于TYPE = COMPLEX （Bootstrap技术附录）。除了可用于TYPE = GENERAL之外，当使用WEIGHT选项时，BOOTSTRAP选项可用于TYPE = GENERAL。

下载地址：https://www.sdbeta.com/wg/2019/0711/230444.html