潜在剖面分析R语言 潜在剖面分析mplus

本文主要介绍基于R进行潜在剖面分析(Latent Profile Aanalysis, LPA)。

关于潜在类别分析LCA/潜在剖面分析LPA的概念和区别，可以参考一下这篇文章：

潜在类别分析LCA \潜在剖面分析LPA介绍 https://www.jianshu.com/p/4c830094131e?utm_campaign=maleskine

但是此文对潜类别分析的阐释还比较生涩，而且没有具体的代码编写、模型优选等内容。本文旨在丰富LPA的内容，并希望和大家交流、共同进步。

1. 什么是潜类别分析、潜剖面分析，两者的区别在哪里？

通俗的说，就是我们想对我们数据中的个案进行分类，但是没有一个确切的指标可以告诉我们把他们分为几类。举个例子，比如我有1万个社会网络，社会网络有很多结构指标（比如网络的节点数、网络密度、网络的直径等），我想对这1万个网络按照网络指标进行分类，但是并不知道通过哪些变量进行分类，潜类别分析就派上了用场，潜类别分析就是用潜在的变量表征所有的结构指标变量，然后这1万个网络按照这些潜在变量就可以分成若干类别。

从上文中的简书内容我们可以看到，潜类别分析的变量是分类变量，而潜剖面分析纳入的变量是连续变量，这是两种分析方法最明显的区别。

2. 基于R的tidyLPA包进行LPA分析

假设数据已经准备好了，均是连续型变量，R的分析代码如下：

install.packages("tidyLPA")
install.packages("mclust")
install.packages("MplusAutomation")
library(MplusAutomation)
library(mclust)
library(tidyLPA)

#读取数据
lpa_data<-read.csv('lpa_continuous_variable.csv',header = TRUE)

#要分成几类，n_profiles就设置为几类
#关于models的取值，建议参考R包的文档，里面有解释，我后期会更新本文进行详解
m2<-estimate_profiles(df=lpa_data, n_profiles=2, models=1,
                      select_vars=c('opioid', 'syn', 'idu',
                                    'minority', 'female', 'unmarry',
                                    'low_edu', 'west', 'mid_age', 'mmt',
                                    'nodes', 'density', 'avg_deg', 'modula',
                                    'diameter', 'avg_dis'))

m2_fit<-get_fit(m2)
m2_class<-get_data(m2)
m2_estimates<-get_estimates(m2)
write.csv(m2_class,"m2_class.csv")
write.csv(m2_estimates,"m2_estimates.csv")
write.csv(m2_fit,"m2_fit.csv")

3.模型优选

我们将数据分为了2、3、4、5、6类，到底分为几类是最好的呢？这里建议参考两本书：

《潜变量建模与Mplus应用-基础篇》和 《潜变量建模与Mplus应用-进阶篇》，关注并点赞本博客，私信我邮箱给你发送哟~

其实大致意思就是把各类模型结果中的AIC、BIC、aBIC做成折线图，看拐点在几分类上，然后结合现实意义进行解释即可~