Mplus 结构方程模型

Mplus的建模框架借鉴了潜变量的统一主题。而且一般的建模框架来自连续和分类潜变量的使用。连续潜变量用于表示与未观测到的构造相对应的因素，随机效应与发展中的个体差异相对应，随机效应与分层数据中各组间系数变化相对应，弱点对应于生存时间的异质性，责任与疾病遗传易感性相对应，潜在响应变量值与缺失数据相对应。分类潜变量对应于均质个体群，潜在的轨迹分类对应于未观测种群的发展类型，混合组件对应于未观测种群的有限混合，潜在响应变量类别对应于缺失数据。

Mplus建模框架
建模数据的目的是以简单的方式描述数据结构，便于理解和解释。本质上，数据建模相当于指定变量之间的一组关系。下图表示了在Mplus建模中的关系类型。矩形表示观测变量，观测变量可以是结果变量或背景变量。背景变量为X，连续和截尾结果变量为y，二元、有序范畴（序数），无序分类（名词）和计数结果变量为u。圆圈代表潜变量。允许连续变量和类别变量，连续潜变量为f，分类潜变量为c。

图中的箭头表示变量之间的回归关系。回归关系是允许的，但在图中没有具体说明，包括观测到的结果变量之间的回归，连续潜变量之间的回归以及类别潜变量的回归。对于连续结果变量，使用的是线性回归模型。对于结果变量，在删截点有或没有通货膨胀，审查（tobit）都使用回归模型。对于二进制和有序分类结果，使用概率或logistic回归模型。对于无序的分类结果，使用多项式logistic回归模型。对于计数结果，不管通货膨胀率是否为零，都使用Poisson和负二项回归模型。

Mplus模型包括连续的潜变量、分类潜变量、连续变量和类别潜变量的组合。上图中，圆柱A描述只有潜在连续变量的模型。圆柱B描述只有特定潜变量的模型。完整的建模框架描述了连续变量和类别变量相结合的模型。上图表明，Mplus估计的描述个体水平的多层次模型（内部）和集群水平（之间）的变量。

Mplus Base Program
Mplus Base Program可以估计回归、路径分析、探索性因素分析和验证性因素分析（EFA和CFA）、结构方程模型（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，观测到的因变量可以是连续的、删失的、二进制的、有序的（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，观测到的因变量可以是无序的分类（名义上）。在探索性因素分析中，因素指标可以是连续的、二进制的、有序的分类（排序）或是这些变量类型的组合。在CFA、SEM和增长模型中，观测到的因变量可以是连续的、删失的、二元的、有序的（序数）、无序的分类（名词）、计数或这些变量类型的组合。其他特殊的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，和不平等的选择概率（抽样权重）；用极大似然法分析潜在变量相互作用和非线性因素；随机斜率；个体变化的观测次数；非线性参数约束；间接影响；所有结果类型的极大似然估计。引导的标准误差和置信区间；贝叶斯分析与多重归责原则；蒙特卡罗模拟功能以及后处理图形模型。

Mplus Base Program and Mixture Add-On
包含了所有Mplus Base Program的功能。此外，估计回归混合模型；路径分析混合模型；潜在类别分析；具有多分类潜变量的潜类分析；对数线性模型；有限混合模型；编译器的平均因果关系（CACE）模型；潜在类增长分析；潜在转移分析；隐马尔可夫模型以及离散和连续时间生存混合分析。观测到的因变量可以是连续的、删失的、二元的、有序的（序数）、无序的分类（名词）、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、聚类和不平等的选择概率（抽样权重）；用极大似然法分析潜在变量相互作用和非线性因素；随机斜率；个体变化的观测次数；非线性参数约束；所有结果类型的极大似然估计。引导的标准误差和置信区间；贝叶斯分析与多重归责原则；蒙特卡罗模拟功能以及后处理图形模型。

Mplus Base Program and Combination Add-On
Mplus Base Program and Combination Add-On包含了Mplus Base Program and the Mixture and Multilevel Add-Ons的所有功能。此外，它还包括处理同一模型中的集群数据和潜在类的模型。例如，两级回归混合分析、二级混合验证因子分析（CFA）和结构方程模型（SEM）、二级潜类分析、多层增长混合模型、二级离散和连续时间生存混合分析。其他特殊功能包括缺失数据估计；复杂的调查数据分析，包括分层、聚类和不平等的选择概率（抽样权重）；用极大似然法分析潜在变量相互作用和非线性因素；随机斜率；个体变化的观测次数；非线性参数约束；所有结果类型的极大似然估计。贝叶斯分析与多重归责原则；蒙特卡罗模拟功能以及后处理图形模型。

适用平台
Microsoft Windows 7/8/10
Mac OS X 10.8或更高版本
Linux (已在下面的平台中测试过: Ubuntu, RedHat, Fedora, Debian和Gentoo)
至少1GB以上的内存
至少120 MB硬盘空间