本地化服务_mplus

科学软件网提供大量正版科学软件，满足各学科的科研要求。科学软件网专注软件销售服务已达19年，全国大部分高校和企事业单位都是我们的客户。同时，我们还提供本地化服务，助力中国的科研事业。
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）；用较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；所有结果类型的较大似然估计。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。

New feature: Mplus Web Talks by Bengt Muthén. No. 1 is now available. Web Talk 2 coming soon: “Using Mplus to do Latent Transition Analysis and Random Intercept Latent Transition Analysis”.

The Mplus Base Program and Multilevel Add-On contains all of the features of the Mplus Base Program. In addition, it estimates models for clustered data using multilevel models. These models include multilevel regression analysis, multilevel path analysis, multilevel factor analysis, multilevel structural equation modeling, multilevel growth modeling, and multilevel discrete- and continuous-time survival models. In multilevel analysis, observed dependent variables can be continuous, censored, binary, ordered categorical (ordinal), unordered categorical (nominal), counts, or a combination of these variable types. Other special features include single or multiple group analysis; missing data estimation; complex survey data analysis including stratification, clustering, and unequal probabilities of selection (sampling weights); latent variable interactions and non-linear factor analysis using maximum likelihood; random slopes; individually-varying times of observation; non-linear parameter constraints; maximum likelihood estimation for all outcomes types; Bayesian analysis and multiple imputation; Monte Carlo simulation facilities; and a post-processing graphics module.

Mplus has several options for the estimation of models with missing data. Mplus provides maximum likelihood estimation under MCAR (missing completely at random), MAR (missing at random), and NMAR (not missing at random) for continuous, censored, binary, ordered categorical (ordinal), unordered categorical (nominal), counts, or combinations of these variable types (Little & Rubin, 2002). MAR means that missingness can be a function of observed covariates and observed outcomes. For censored and categorical outcomes using weighted least squares estimation, missingness is allowed to be a function of the observed covariates but not the observed outcomes. When there are no covariates in the model, this is analogous to pairwise present analysis. Non-ignorable missing data (NMAR) modeling is possible using maximum likelihood estimation where categorical outcomes are indicators of missingness and where missingness can be predicted by continuous and categorical latent variables (Muthén, Jo, & Brown, 2003; Muthén et al., 2010 ).
科学软件网不仅提供软件产品，更有多项附加服务免费提供，让您售后**！