统计百科 ·
潜在剖面分析LPA/潜在类别分析LCA的APA报告怎么写？类别数确定+各类别占比+分类质量格式全解
统计百科：专攻LPA/LCA报告格式——类别数如何用BIC/熵确定、各类别占比与条件均值/概率怎么报告、分类质量（平均最大后验概率AvePP/模态分配准确率）如何呈现，给出可直接套用的APA 7th完整模板，逐一盘点审稿人最常挑的LPA/LCA报告错误。
LPA（Latent Profile Analysis，潜在剖面分析）和LCA（Latent Class Analysis，潜在类别分析）是挖掘隐藏亚组的经典方法，难点不在于跑出来，而在于格式细节：类别数如何向审稿人交代、BIC和熵到底写哪个、各类别的描述统计怎么呈现、AvePP和分类准确率是什么……这篇文章专攻"LPA/LCA怎么规范写进论文"这一具体格式点，给出APA 7th所有场景的完整模板，并逐一盘点审稿人最常挑的报告错误。
你的LPA/LCA报告有这些问题吗？
审稿人或导师关于LPA/LCA报告最常见的反馈：
- "类别数如何确定？缺少模型比较表（BIC、AIC、Entropy、LRT检验）"
- "各类别占比（posterior probability assignment）要写清楚，N和百分比都要有"
- "熵值（Entropy）要报告，并说明分类质量是否达到可接受标准（≥ .80）"
- "AvePP（平均最大后验概率）怎么没有？这是检验分类质量的核心指标"
- "各类别的描述统计（条件均值/条件概率）缺少SE或95% CI"
- "说明了几个类别，但没说这几个类别是怎么命名/解释的"
- "只用BIC选了类别数，没有报告VLMR-LRT或BLRT检验结果"
这些错误集中在潜在混合模型（Latent Mixture Model）报告的多个层次，但专门针对LPA/LCA汇总的实操指南并不多。本文只讲一件事：LPA/LCA到底怎么规范写进论文的每一个环节。
如果你还没看过姊妹篇 主成分分析PCA的APA报告怎么写？，建议先了解因子/成分类分析的报告逻辑，本文默认你已了解p值不加前导零（.032而非0.032）等基础格式规则，不再重复。
一、LPA与LCA是什么，有什么区别
两者的直觉含义
LPA和LCA都属于**以人为中心（person-centered）**的分析方法，目标是在样本中发现若干个潜在亚组（类别/剖面），使得：
- 同一类别内的个体在指标上尽量相似
- 不同类别间的个体在指标上尽量不同
$P(\text{类别}\ k \mid \mathbf{x}_i) \propto \pi_k \cdot f(\mathbf{x}_i \mid \theta_k)$
其中 $\pi_k$ 是第 $k$ 类别的先验比例，$f(\mathbf{x}_i \mid \theta_k)$ 是给定类别参数下指标的条件密度/概率。
LPA vs. LCA 的核心区别：
| LPA（潜在剖面分析） | LCA（潜在类别分析） | |
|---|---|---|
| 指标类型 | 连续型变量（量表分、测量值） | 类别型变量（是/否、选项） |
| 类别描述 | 各类别的条件均值（M）和SD | 各类别的条件概率（P） |
| 典型软件 | Mplus、R（tidyLPA）、SPSS | Mplus、R（poLCA）、SAS |
| 效应量 | Entropy、AvePP | Entropy、AvePP |
两者的报告框架完全一致，只在描述类别特征时用均值（LPA）还是概率（LCA）来替换。
LPA/LCA的三大报告挑战
- 类别数不唯一：不同拟合指标可能指向不同的类别数，需要结合多个指标和理论意义做决定
- 分类质量难量化：最大后验概率分配（modal assignment）存在不确定性，需要AvePP来量化
- 类别可解释性：统计上合适的解不一定有实质意义，需要结合领域知识命名和解释
二、类别数如何确定：多指标联合决策框架
必须报告的拟合指标
| 指标 | 含义 | 判断标准 |
|---|---|---|
| AIC | 赤池信息准则 | 越小越好 |
| BIC | 贝叶斯信息准则 | 越小越好（首选，对过拟合更保守） |
| aBIC | 样本量调整BIC | 越小越好 |
| Entropy | 整体分类确定性 | 越接近1.0越好，≥ .80为可接受 |
| VLMR-LRT | Vuong-Lo-Mendell-Rubin似然比检验 | p < .05表示k类比k-1类显著更好 |
| BLRT | 自举似然比检验 | p < .05表示k类比k-1类显著更好（更精确） |
| 各类别N | 每个类别的样本量 | 最小类别建议 ≥ 总N的5%或n ≥ 25 |
模型比较表（APA格式）
模型比较结果通常以表格形式呈现，这是APA 7th对LPA/LCA报告的最低标准。
表1 LPA模型拟合指标比较（2至5类别方案）
| 类别数 | AIC | BIC | aBIC | Entropy | VLMR-LRT p | BLRT p | 最小类别n |
|---|---|---|---|---|---|---|---|
| 2类 | 8421.36 | 8503.72 | 8453.18 | .847 | < .001 | < .001 | 124 (26.1%) |
| 3类 | 8284.19 | 8402.47 | 8329.61 | .883 | < .001 | < .001 | 87 (18.3%) |
| 4类 | 8258.74 | 8413.47 | 8318.49 | .861 | .024 | .001 | 52 (10.9%) |
| 5类 | 8261.33 | 8452.03 | 8334.98 | .832 | .163 | .081 | 23 (4.8%) |
注. 加粗行为选定的最优模型。VLMR-LRT = Vuong-Lo-Mendell-Rubin似然比检验；BLRT = 自举似然比检验；aBIC = 样本量调整的贝叶斯信息准则。5类模型VLMR-LRT和BLRT均不显著，且最小类别占比低于5%，故选择4类方案。
类别数决策的标准描述
方法章节模板：
采用Mplus 8.8（Muthén & Muthén, 2022）对[指标列表]进行潜在剖面分析（LPA）/
潜在类别分析（LCA），依次拟合2至6类方案。
类别数确定综合参考以下标准：
（1）BIC和aBIC最小化；
（2）Entropy ≥ .80；
（3）VLMR-LRT和BLRT显著（p < .05），表明k类方案显著优于k-1类；
（4）最小类别样本量 ≥ 总样本量的5%；
（5）各类别具有理论可解释性。
以上标准联合判断，选择[k]类方案作为最终解。
三、各类别描述：占比、均值/概率、置信区间
LPA——连续指标的类别描述（必须含的要素）
每个类别需要报告：
- 类别标签（自命名，反映特征）
- 类别N与占比（基于最大后验概率分配）
- 各指标在该类别的条件均值（M）和标准误（SE）
- 可选：95% CI
表2 LPA四类别方案各剖面指标均值（M ± SE）
| 剖面 | 类别标签 | n (%) | 情绪调节M(SE) | 学习动机M(SE) | 社交能力M(SE) | 压力水平M(SE) |
|---|---|---|---|---|---|---|
| 剖面1 | 高适应型 | 128 (26.9%) | 4.21 (.08) | 4.38 (.07) | 4.15 (.09) | 2.14 (.10) |
| 剖面2 | 中等适应型 | 156 (32.8%) | 3.47 (.07) | 3.52 (.08) | 3.41 (.07) | 3.02 (.09) |
| 剖面3 | 低情绪型 | 87 (18.3%) | 2.31 (.11) | 3.68 (.10) | 3.29 (.11) | 3.87 (.13) |
| 剖面4 | 低适应型 | 105 (22.1%) | 2.18 (.10) | 2.24 (.11) | 2.07 (.12) | 4.42 (.11) |
注. M = 条件均值；SE = 标准误；括号外为均值，括号内为标准误。各指标均采用5点李克特量表（1 = 非常不符合，5 = 非常符合）。类别占比基于最大后验概率（modal assignment）计算。
LCA——类别型指标的类别描述
LCA的类别特征用条件概率（而非均值）来描述，格式相同，只是将"M(SE)"换成"P"。
表3 LCA三类别方案各类别条件概率
| 类别 | 类别标签 | n (%) | 有抑郁症状P | 有焦虑症状P | 就医行为P | 社会支持不足P |
|---|---|---|---|---|---|---|
| 类别1 | 低风险型 | 187 (42.3%) | .08 | .11 | .15 | .12 |
| 类别2 | 焦虑主导型 | 143 (32.3%) | .31 | .74 | .38 | .47 |
| 类别3 | 高风险型 | 112 (25.3%) | .82 | .79 | .61 | .73 |
注. P = 条件概率（即给定该类别成员身份，该指标为"是/阳性"的概率）。类别占比基于最大后验概率分配。
四、分类质量：熵值、AvePP与模态分配准确率
这是LPA/LCA报告中最容易被遗漏的部分，也是审稿人越来越重视的环节。
Entropy（整体分类确定性）
$\text{Entropy} = 1 - \frac{-\sum_{i=1}^{N}\sum_{k=1}^{K} P(k|x_i)\ln P(k|x_i)}{N \ln K}$
- 范围：0至1.0
- 越接近1.0，整体分类越确定
- ≥ .80为可接受，≥ .90为理想
- Entropy是模型层面的指标，不单独针对某个类别
报告格式：
四类别方案的Entropy = .861，表明整体分类质量良好。
AvePP（平均最大后验概率，Average Maximum Posterior Probability）
AvePP是类别层面的分类质量指标，衡量每个类别内成员被分配到该类别的后验概率均值。
- 对角线上的AvePP越接近1.0越好
- 每个类别的AvePP ≥ .70为最低标准，≥ .80为推荐标准（Nagin, 2005; Nylund-Gibson & Choi, 2018）
表4 LPA四类别方案分类质量指标（混淆矩阵，基于AvePP）
| 分配至剖面1 | 分配至剖面2 | 分配至剖面3 | 分配至剖面4 | |
|---|---|---|---|---|
| 剖面1（高适应型） | .921 | .043 | .024 | .012 |
| 剖面2（中等适应型） | .038 | .884 | .051 | .027 |
| 剖面3（低情绪型） | .021 | .064 | .863 | .052 |
| 剖面4（低适应型） | .015 | .039 | .073 | .873 |
注. 对角线元素为各剖面的AvePP，非对角线元素为误分类概率。所有对角线AvePP均 ≥ .86，表明分类质量良好（最低标准 ≥ .70，推荐标准 ≥ .80，高质量标准 ≥ .90；Nagin, 2005; Nylund-Gibson & Choi, 2018）。
完整分类质量报告模板
各类别分类质量评估如下：Entropy = .861，高于可接受标准（≥ .80）。
各类别平均最大后验概率（AvePP）分别为：
高适应型 = .921，中等适应型 = .884，低情绪型 = .863，低适应型 = .873，
均高于推荐标准（≥ .80；Nylund-Gibson & Choi, 2018），
表明各类别间具有良好的区分效度，分类结果可用于后续分析。
五、各场景完整APA报告模板
场景一：LPA（连续指标，四类别方案）
完整结果章节段落模板：
采用潜在剖面分析（LPA）对[N]名[被试群体]在[k个指标]上的得分进行潜在类别探索
（Muthén & Muthén, 2017）。依次拟合2至6类方案，各模型拟合指标见表1。
综合参考BIC最小化、Entropy ≥ .80、VLMR-LRT和BLRT显著（p < .05）以及理论可解释性，
选择4类别方案作为最终解（BIC = X.XX，Entropy = .XX）。
4类别方案（N = [总N]）中，各剖面占比如下：
剖面1（[标签]）占 XX.X%（n = XX），剖面2（[标签]）占 XX.X%（n = XX），
剖面3（[标签]）占 XX.X%（n = XX），剖面4（[标签]）占 XX.X%（n = XX）。
各剖面在指标上的条件均值及其标准误见表2。
分类质量评估结果显示，Entropy = .XX，各类别AvePP均高于.80（范围 = .XX–.XX），
表明分类结果具有较高的准确性（Nylund-Gibson & Choi, 2018）。
填入数值的示例：
采用潜在剖面分析（LPA）对476名大学生在情绪调节、学习动机、社交能力和压力水平4个指标上的得分进行潜在类别探索（Muthén & Muthén, 2022）。依次拟合2至6类方案，各模型拟合指标见表1。4类别方案的BIC值（8413.47）相较5类别方案（8452.03）更小，且VLMR-LRT（p = .024）和BLRT（p = .001）均显著，表明4类优于3类；5类方案VLMR-LRT和BLRT均不显著，且最小类别仅占4.8%，故选择4类别方案作为最终解（Entropy = .861）。
4类别方案中，各剖面描述如下：剖面1"高适应型"占26.9%（n = 128），表现为高情绪调节、高动机、高社交能力和低压力；剖面2"中等适应型"占32.8%（n = 156），各指标居中；剖面3"低情绪型"占18.3%（n = 87），情绪调节得分低而动机居中；剖面4"低适应型"占22.1%（n = 105），四项指标均低（动机低，压力高）。各剖面条件均值及标准误见表2。
分类质量评估结果显示，Entropy = .861，各类别AvePP均在.86至.92之间，均高于推荐标准.80（Nylund-Gibson & Choi, 2018），表明分类结果具有较高的准确性，可用于后续的差异检验。
场景二：LCA（二分类指标，三类别方案）
填入数值的示例：
采用潜在类别分析（LCA）对442名社区居民在4项心理健康指标（抑郁症状、焦虑症状、就医行为、社会支持不足）上的二分反应模式进行潜在类别探索（Linzer & Lewis, 2011）。依次拟合2至5类方案，3类别方案在BIC（4328.17）最小化的同时，VLMR-LRT（p = .031）和BLRT（p < .001）均显著，且最小类别样本量充足（n = 112，25.3%），故选择3类别方案。
3类别方案中，类别1"低风险型"占42.3%（n = 187），各心理健康问题条件概率均低（P < .15）；类别2"焦虑主导型"占32.3%（n = 143），焦虑症状条件概率较高（P = .74），而抑郁症状概率中等（P = .31）；类别3"高风险型"占25.3%（n = 112），抑郁（P = .82）和焦虑（P = .79）症状条件概率均高，社会支持不足概率亦高（P = .73）。各类别条件概率见表3。
分类质量方面，Entropy = .876，各类别AvePP分别为.904（低风险型）、.858（焦虑主导型）和.871（高风险型），均高于推荐标准.80（Nylund-Gibson & Choi, 2018），分类结果可信。
场景三：以类别作为后续分析的分组变量
LPA/LCA常见用法是将类别作为自变量，检验类别与结果变量的关系。
报告模板：
以最大后验概率分配（modal assignment）确定每名被试所属类别，
将类别变量（k类）作为自变量，对[结果变量]进行单因素方差分析（ANOVA）
（方法见[相关阅读：ANOVA报告]）。
注意：分类不确定性可通过"三步法"（Bakk & Vermunt, 2016）或
"BCH权重法"（Bolck, Croon, & Hagenaars, 2004）纳入，
以避免分类误差向下游分析传递（Nylund-Gibson & Masyn, 2016）。
六、在ChatSRS一句话获得规范LPA/LCA报告
打开 chatsrs.com，上传数据后输入：
"对以下6个连续指标（X1–X6）做潜在剖面分析LPA，拟合2至6类方案，输出AIC、BIC、aBIC、Entropy、VLMR-LRT和BLRT的模型比较表；自动选择最优类别数，报告各类别的条件均值（M和SE）、类别占比（n和%）、各类别AvePP分类质量表；按照APA 7th格式输出完整的方法章节和结果章节段落，包括Entropy和AvePP的解释。"
ChatSRS（R引擎，基于tidyLPA/Mplus接口）将自动：
- 拟合全系列模型并生成模型比较表
- 按多指标联合准则推荐最优类别数
- 输出各类别特征表（含SE和95% CI）
- 计算Entropy和AvePP混淆矩阵
- 生成可直接复制进论文的APA 7th格式报告段落
七、方法章节怎么说明LPA/LCA
标准方法章节描述（LPA）
采用潜在剖面分析（Latent Profile Analysis, LPA；基于潜在混合模型，McLachlan & Peel, 2000）
对[N]名[被试]在[k个指标]上的得分进行基于人群的子组划分。
LPA假设连续指标在各潜在类别内部独立，
分析使用Mplus 8.8（Muthén & Muthén, 2022），
采用最大似然稳健估计（MLR）以应对数据的轻微非正态性。
类别数确定参照BIC最小化、Entropy ≥ .80以及VLMR-LRT/BLRT的显著性（p < .05）。
分类质量以各类别平均最大后验概率（AvePP）评估，
建议标准为AvePP ≥ .80（Nylund-Gibson & Choi, 2018）。
显著性水平设为 alpha = .05。
标准方法章节描述（LCA）
采用潜在类别分析（Latent Class Analysis, LCA；McCutcheon, 1987）
对[N]名[被试]在[k个二分类/多分类指标]上的反应模式进行潜在类别划分。
LCA假设各指标在类别内部条件独立，
分析使用R软件poLCA包（Linzer & Lewis, 2011），设置20个随机起始值以避免局部最优。
类别数判断标准同上（BIC、Entropy、LRT检验）。
八、LPA/LCA报告常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| 只报告BIC，不报告熵值和LRT | 同时报告AIC/BIC/aBIC/Entropy/VLMR-LRT/BLRT | 单一指标不足以确定类别数 |
| 类别占比只写%，不写n | "26.9%（n = 128）" | APA要求同时报告比例和绝对人数 |
| 缺少AvePP分类质量 | 报告每个类别的AvePP并解释是否达标 | 无法评估分类置信度 |
| 条件均值无SE/CI | "M = 4.21，SE = .08" | 推断不确定性需量化 |
| 直接用分配的类别变量做ANOVA，未说明分类误差处理 | 说明是否使用三步法/BCH权重法 | 分类误差会低估SE，导致I类错误膨胀 |
| Entropy = .76，仍称"分类质量良好" | "Entropy = .76，略低于推荐标准（.80），结果解释需谨慎" | 低于.80应明确说明局限性 |
| 只命名类别但不解释命名依据 | 结合各指标的高/低模式说明命名逻辑 | 类别命名须有数据支撑 |
| 未报告起始值数量或局部最优处理 | 说明随机起始值数量（≥ 20）和最终对数似然值的重现情况 | 混合模型对起始值敏感 |
常见FAQ
Q：BIC和Entropy有时"打架"（BIC指向4类但Entropy在3类时更高），该听谁的？
A：两者出发点不同，不能简单对立。BIC惩罚模型复杂度，更关注总体拟合；Entropy反映分类确定性，更关注类别间的清晰程度。实践中推荐的决策顺序是：（1）先用BIC/BLRT确定"统计上合适"的类别数范围（通常2–3个候选）；（2）在候选方案中用Entropy和AvePP评估分类质量；（3）最终用理论可解释性做最后裁决。如果4类的BIC更好但Entropy较低（如.73），建议在论文中汇报两个方案，说明理论倾向于选择4类，但承认3类的分类质量更高，并在局限性中讨论。
Q：各类别样本量最小多少才够？
A：没有严格统一标准，但业界常用的两个门槛是：（1）最小类别 ≥ 总样本量的5%；（2）最小类别 n ≥ 25。这两个标准均不满足时，通常认为该类别是"空渣类"，应减少类别数。特别注意：某些模型在拟合时即使类别很小也会收敛，但这种小类别往往是算法伪影，而非真实亚组。ChatSRS在输出中会自动标注最小类别占比并给出警告。
Q：LPA做完可以直接用分配的类别做方差分析或回归吗？
A：可以，但有风险。直接使用最大后验概率分配（modal assignment）等于假设分类100%准确，忽略了分类不确定性，会导致标准误低估、I类错误膨胀。更规范的做法是：（1）使用三步法（Bakk & Vermunt, 2016）或BCH权重法在Mplus中直接将类别的不确定性纳入后续建模；（2）或者在分类质量高（AvePP ≥ .90，即高质量标准，高于一般推荐标准 ≥ .80）时，直接使用modal assignment仍被认为可接受，并在方法章节说明。注意三档标准含义不同：≥ .70为最低可接受标准，≥ .80为常规推荐标准，≥ .90方可省略不确定性校正。
Q：LPA的方法章节需要说"局部最优"问题吗？
A：需要，这是混合模型的特有风险。LPA/LCA的最大似然估计依赖迭代优化算法（如EM算法），在多类别方案下容易陷入局部最优而非全局最优。标准做法是设置多个随机起始值（Mplus建议STARTS = 100 25或更多），并确认最优解能被多次复现（Mplus输出中确认"BEST LOGLIKELIHOOD VALUE HAS BEEN REPLICATED"）。方法章节应注明起始值数量，例如："本研究每个模型均使用100个随机起始值和25个最终优化（Mplus STARTS = 100 25），以最小化局部最优风险。"
快速参考：LPA/LCA报告格式速查卡
[模型比较表——必报]
类别数 | AIC | BIC | aBIC | Entropy | VLMR-LRT p | BLRT p | 最小类别n(%)
类别数从2到K，突出选定模型，注明判断标准
[各类别特征表——LPA]
类别标签 | n (%) | 指标1 M(SE) | 指标2 M(SE) | ... | 指标k M(SE)
注明量表范围和占比计算方式
[各类别特征表——LCA]
类别标签 | n (%) | 指标1 P | 指标2 P | ... | 指标k P
注明条件概率含义
[分类质量表（AvePP混淆矩阵）——必报]
行 = 实际类别，列 = 分配类别；对角线为AvePP
报告标准：≥ .80可接受；≥ .90理想（Nylund-Gibson & Choi, 2018）
[文中必报句式]
"[k]类别方案的BIC（X.XX）最小，Entropy = .XX，
各类别AvePP均高于.80（范围 = .XX–.XX），表明分类质量良好。"
相关阅读
- 主成分分析PCA的APA报告怎么写？KMO/Bartlett+成分载荷矩阵+方差解释格式全解
- 多层线性模型HLM的APA报告怎么写？固定/随机效应、ICC与组间方差格式全解
- 方差分析ANOVA的APA报告怎么写？F值+偏eta²+事后比较格式全解
- 信度分析的APA报告怎么写 — Cronbach alpha、McDonald omega与组合信度CR格式全解
本文首发于ChatSRS官方博客。如有问题或反馈，欢迎在ChatSRS站内 [用户中心 -> 帮助与反馈] 联系我们。