最近的研究试图确定某些心理结构是否具有潜在维度或分类（即，包括分类单元或类别）。例如，研究人员可能有兴趣了解是否有特定“类别”的人在受伤后更有可能发展为慢性疼痛，或者是否将发展为慢性疼痛的风险更好地概念化为从有限风险到极高的风险。我注意到研究人员试图使用两种类型的分析来回答这些类型的问题：通常在 R 中进行的分类分析（MAMBAC、MAXEIG、MAXCOV）和潜在类别分析。
以下是一些税收计量研究的例子：
以下是一些使用潜在类分析的示例：
以下是我的问题：
在英语中，这两种分析之间的主要区别是什么？如果可能，详细说明他们是否回答了不同的问题，以及他们在分析（数学）上有何不同。
哪一个更适合回答我在“介绍”中强调的问题类型，为什么？也许这在这一点上真的无法回答。
也请分享您认为可能与此主题相关的任何信息。我感觉我会有后续问题！
请参阅 Tueller (2010)、Tueller 和 Lubke (2010)以及 [Ruscio 等人的书][3]，了解下文总结的完整细节。计税程序通常通过计算排序数据子集的简单统计数据来工作。MAMBAC 使用均值，MAXCOV 使用协方差，MAXEIG 使用特征值。潜在类别分析是通用潜在变量混合模型 (LVMM) 的一个特例。LVMM为可能包括潜在类别、潜在因素或两者的数据指定模型。使用最大似然或贝叶斯估计获得模型的参数。有关完整的详细信息，请参阅上述文献。
更重要的是数学基础（超出了本论坛的范围）是可以在每种方法下测试的假设。计税程序检验假设
H1：两个类别解释了一组指标之间所有（或大部分）观察到的相关性 H0：一个（或多个）连续的基础维度解释了一组指标之间所有观察到的相关性
通常，CCFI 用于确定拒绝/保留哪个假设。请参阅 [John Ruscio 关于该主题的书][4]。计税程序只能检验这两个假设而不能检验其他假设。
单独使用，潜在类别分析无法检验上述分类替代假设 H0。但是，潜在类别分析可以检验以下替代假设：
H1a：两个类别解释了一组指标之间观察到的所有相关性 H1b：三个类别解释了一组指标之间观察到的所有相关性... H1k：k 个类别解释了一组指标之间观察到的所有相关性
要在潜变量框架中从上面测试 H0，请将单因素验证性因子分析 (CFA) 模型拟合到数据（称为 H0cfa，它与 H0 不同 - H0 仅测试分类框架下的拟合假设，但不t 产生参数估计，就像通过拟合 CFA 模型获得的一样）。要将 H0cfa 与 H1a、H1b、...、H1k 进行比较，请使用贝叶斯信息准则 (BIC) ala [Nylund 等人。(2007)][5]。
总结到目前为止，分类程序可以查看两类解决方案，而潜在类 + CFA 可以测试一类解决方案和两类或更多类解决方案。我们看到，分类程序测试了通过潜在类别 + CFA 模型比较测试的假设子集。
迄今为止存在的所有假设都是光谱两端的极端情况。更一般的假设是一些潜在类别和一些潜在维度（或潜在因素）最好地解释数据。上述方法完全拒绝了这一点，这是一个非常强的假设。换句话说，一个潜在的类模型和一个导致分类结构（而不是维度）结论的分类程序假设除了随机误差之外的类内个体差异。在您的上下文中，这相当于说在慢性疼痛类别中，发展慢性疼痛的趋势没有系统变化，只有随机机会。
用精神病理学的例子可以更好地说明这种假设的弱点。假设您有一组抑郁症指标，并且您的分类和/或潜在类别模型使您得出结论，存在抑郁类别和非抑郁类别。这些模型隐含地假设班级内抑郁症的严重程度没有变化（除了随机错误或噪音）。换句话说，你是否抑郁，或者你不是，在抑郁症中，每个人都同样抑郁（除了容易出错的观察变量的变化）。所以我们只需要一种剂量水平的抑郁症治疗！很容易看出，这种假设对于抑郁症来说是荒谬的，而且对于大多数其他研究环境来说通常也是有限的。
为避免做出这种假设，请使用 [Lubke 和 Muthen 以及 Lubke 和 Neale][6] 的论文之后的因子混合建模方法。