教程 ·
潜在类别分析LCA与潜在剖面分析LPA入门：怎么给样本科学分群
LCA潜在类别分析和LPA潜在剖面分析入门讲解：两者的区别（分类变量vs连续变量）、与传统聚类分析的本质差异、类别数怎么用AIC/BIC/熵值确定、分类结果怎么解读和命名，以及在论文里怎么规范报告。
"我想把被试按某种特征分成几类人群"——这类研究问题在心理学、教育学、管理学中很常见。传统上很多人会想到 K-means 聚类，但近几年论文里出现频率越来越高的，其实是另一套方法：潜在类别分析（LCA）和潜在剖面分析（LPA）。
LCA 和 LPA 是什么
LCA（Latent Class Analysis，潜在类别分析）和 LPA（Latent Profile Analysis，潜在剖面分析）都属于**以人为中心（Person-Centered）**的分析方法，核心思想是：假设样本背后存在若干个"看不见的"（潜在的）子群体，个体在观测变量上表现出的差异，其实是因为他们属于不同的潜在类别。
两者的核心区别只在于用来分类的观测变量类型不同：
- LCA（潜在类别分析）：用于分类变量（如"是/否"这类二分变量，或多分类变量），比如根据一系列"是否具备某种行为"的题目，把被试分成不同的行为模式类别
- LPA（潜在剖面分析）：用于连续变量（如量表得分、测验分数），比如根据几个维度的量表得分，把被试分成不同的特征剖面类别
两者可以理解为同一套统计框架在不同数据类型下的两个具体应用，思路和判断标准高度一致。
和传统聚类分析（K-means）的本质区别
很多人第一次接触 LCA/LPA 会疑惑："这不就是聚类分析吗？为什么不直接用 K-means？"——两者虽然目标类似（都是把样本分组），但底层逻辑完全不同：
| 维度 | K-means 聚类 | LCA / LPA |
|---|---|---|
| 本质 | 基于距离的划分算法，没有概率模型基础 | 基于概率模型（混合模型），每个类别对应一个概率分布 |
| 分类结果 | 硬分类，每个个体确定性地属于唯一一类 | 输出每个个体属于各类别的后验概率，本质是"模糊"归类，再按最大概率分配 |
| 类别数确定 | 主要依赖肘部法则（Elbow Method）等经验性图形判断，缺乏统一的统计检验标准 | 有一套相对成熟的统计指标体系（AIC、BIC、似然比检验等）辅助判断 |
| 变量类型 | 通常要求连续变量，且对变量量纲/标准化敏感 | LCA 可直接处理分类变量，LPA 处理连续变量，理论基础更贴合心理测量数据 |
| 统计推断 | 缺乏正式的假设检验框架 | 可以对"增加一个类别是否显著改善模型"做正式的统计检验 |
简单说，LCA/LPA 提供了一套更严谨的统计模型框架和类别数判断标准，这也是它近年在心理学、教育学论文中逐渐替代传统聚类分析成为"以人为中心"研究的主流方法的原因。
类别数怎么确定
确定"应该分成几类"是 LCA/LPA 分析中最核心也最容易被审稿人重点关注的一步。通常的做法是依次拟合 2 类、3 类、4 类……模型，比较一系列指标，综合判断最优类别数：
1. 信息准则指标
- AIC（赤池信息准则）、BIC（贝叶斯信息准则）、aBIC（样本量校正的 BIC）：数值越小，说明模型拟合越好。实践中最常参考 BIC，随着类别数增加，这些指标通常会先下降后趋于平缓或回升，那个"拐点"（下降幅度明显变缓的位置）附近的类别数往往是较优选择
2. 似然比检验
- **LMR 检验（Lo-Mendell-Rubin Likelihood Ratio Test）**和 BLRT（Bootstrap Likelihood Ratio Test，自助法似然比检验）：用来正式检验"k 类模型"是否显著优于"k-1 类模型"。如果检验结果不显著，说明增加这一个类别并没有带来统计上显著的改善，此时通常倾向于选择更简约的 k-1 类模型
3. 熵值（Entropy）
熵值衡量的是分类的确定性程度，取值范围在 0 到 1 之间，越接近 1 说明个体被归入某一类别的把握越大（分类边界越清晰），越接近 0 说明分类模糊、类别之间区分度不高。学界一般认为熵值不低于 0.8 被视为分类质量较好，但也有研究采用更宽松的 0.6-0.7 作为可接受下限，具体标准需结合研究领域惯例。
4. 类别大小与实际可解释性
即使统计指标都支持某个类别数，还需要检查：每个类别的样本占比是否合理（如果某一类别占比过小，比如只有不到 5% 的样本，这个类别的稳定性和实际意义值得商榷），以及分出来的类别在理论上是否有清晰、可命名的实际含义——统计指标最优不代表结果一定有意义，最终决策应该是统计指标和理论可解释性的综合权衡，而不是唯 BIC 最小值论。
分类结果怎么解读和命名
确定类别数之后，下一步是描述每个类别的特征模式，并给每个类别起一个能概括其特征的名称：
- 查看每个类别在各观测变量上的均值（LPA）或条件概率（LCA），画出剖面图（Profile Plot），直观展示不同类别在各维度上的高低模式
- 依据剖面图上的模式特征给类别命名，比如在职业倦怠研究中可能分出"高耗竭高疏离型""低耗竭高效能型"等；命名应该基于数据呈现的实际模式，而不是研究者事先设想的分组
- 检验不同类别在外部效标变量上的差异（如不同类别的人在某个结果变量上是否有显著不同的表现），这一步能进一步验证分类的实际效度和预测价值
论文里怎么写
Methods 部分：说明用于分类的观测变量及其类型（分类变量对应 LCA，连续变量对应 LPA），说明依次拟合了几类到几类模型，以及用于判断最优类别数的指标体系（AIC/BIC/LMR/BLRT/熵值）。
Results 部分：以表格形式呈现不同类别数模型的各项拟合指标对比（这是 LCA/LPA 论文里几乎必备的一张表），说明最终选定的类别数及理由，附上各类别的剖面图，并对每个类别的特征模式进行描述和命名，如有对外部变量的差异检验也一并报告。
用 ChatSRS 一句话生成
整理好用于分类的变量数据后，直接输入类似指令：
"帮我用这几个连续变量做潜在剖面分析（LPA），依次拟合2到5类模型，对比各模型的AIC、BIC、熵值和似然比检验结果，帮我判断最优类别数，并画出各类别的剖面图。"
如果是分类变量（如一系列是/否题目），则说明用 LCA：
"帮我用这些二分变量做潜在类别分析（LCA），确定最优类别数并描述各类别的特征模式。"
AI 会自动完成多模型拟合、指标对比表生成、剖面图绘制，并给出符合学术规范的类别数选择依据和结果解读。
适合人群
心理学、教育学、管理学、公共卫生等学科中，凡是需要探索"样本内部是否存在不同亚群体、这些亚群体各自有什么特征模式"这类研究问题（如职业倦怠类型、学习动机类型、心理健康风险等级分群）的学位论文或期刊投稿，都适合使用 LCA/LPA 方法。
常见 FAQ
Q：BIC 最小的模型和 LMR 检验支持的模型类别数不一致，该听谁的？
A：这是 LCA/LPA 分析中经常遇到的情况，不同指标有时确实会给出不同的建议。通常的处理原则是：把这些指标作为综合参考而非唯一标准，同时结合类别的实际大小（是否存在占比过小、不稳定的类别）和理论可解释性（分出来的类别是否有清晰、有意义的实际含义）做最终判断，并在论文中说明选择该类别数的完整理由，而不是只报告一个指标就下结论。
Q：LCA/LPA 需要多大的样本量？
A：没有一个放之四海而皆准的最小样本量，需要综合考虑用于分类的变量数量、预期的类别数以及类别间的分离程度。一般而言，样本量过小（比如小于 200）容易导致类别数判断不稳定、熵值不理想，是论文中常被审稿人关注的问题；具体研究应参考同领域已发表的类似研究作为样本量规划的参考。
Q：分出来的某个类别只占样本很小比例（比如不到 5%），这个类别还有意义吗？
A：占比过小的类别需要谨慎对待——一方面这可能反映了真实存在但确实少见的一类特殊群体（本身有研究价值），另一方面也可能是模型过度拟合导致的不稳定类别（比如换一个随机种子重新估计，这个小类别的构成可能发生较大变化）。建议检查该类别在不同起始值设置下是否稳定重复出现，并结合理论意义综合判断是否保留，而不是简单地因为占比小就认为无意义或因为统计指标支持就一定保留。
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。