☆ 1、如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
      ☆ 2、在课程结束之后,授课老师会留给学员手机和E-mail,免费提供半年的课程技术支持，以便保证培训后的继续消化；
      ☆3、合格的学员可享受免费推荐就业机会。
      ☆4、合格学员免费颁发相关工程师等资格证书，提升您的职业资质。

• Latent GOLD 5.1是功能强大的潜在类别(latent class)和有限混合(finite mixture)分析程序包。Latent GOLD包含单独的模块来估计3种不同的模型结构-潜在聚类模型(LC Cluster models), 离散型因子模型(DFactor models)和潜在类别的回归模型(LC Regression models)-这在有些不同的应用领域中很有用。
•  
• Latent GOLD有两个附加选项可用于扩展程序的基本版本。
• Advanced/Syntax插件通过使用包括直观LG-equations的语法命令语言，为高级用户提供更多控制。此插件还包含更高级的GUI建模功能，如Latent（隐藏）Markov和Multilevel模型。
• Choice插件允许通过点击式界面估算离散选择模型。在同时拥有Choie和Advanced/Syntax插件时，可以估计各种高级选择模型，并且还可以使用语法来进一步定制离散选择模型。
•  
• 特点
• 完整的Windows执行 – 指向和点击
• 交互式图形到的数据和强大的诊断能力模型提供了新的见解
• 灵活的模型结构可以处理不同的度量的变量
• 自动生成的随机初始值
• 快速，高效的极大似然后的模式估计，基于EM和牛顿拉夫森算法
• 贝叶斯常数来消除边界解决方案
• 二元剩余诊断为本地依赖性
•  
• Latent GOLD is a powerful latent class and finite mixture program with a very user-friendly point-and-click interface (GUI). Two add-on options are available to extend the basic version of the program.
•  
• The Advanced/Syntax add-on enables more control for advanced users via use of a Syntax command language including intuitive LG-equations™. This add-on also contains more advanced GUI modeling features such as Latent (Hidden) Markov and Multilevel models.
•  
• The Choice add-on allows estimation of discrete choice models via the point-and-click interface. When obtaining both the Choice and the Advanced/Syntax add-on, various advanced choice models can be estimated and the Syntax can also be used to further the customize discrete choice models.
  
•  
• Latent GOLD Basic
• Includes GUI for:
• LC Cluster
• Discrete Factor (DFactor)
• LC Regression and Growth
• Step3 Module
•  
• Choice add-on
• Includes GUI for:
• First choice
• Ranking (Inc. MaxDiff)
• Ratings-based Conjoint
• Allocation models
•  
• Adv/Syntax add-on
• Includes GUI and Syntax for：
• Latent Markov/Transition module
• Continuous latent variables (CFactors)
• Multilevel models
• Survey options for complex sample data
• Syntax Module
•  
• Choice + Adv/Syntax
• Includes GUI and Syntax for:
• Scale Adjusted Latent Class (SALC) models
• Random Regret Minimization (RRM)