R语言实现潜类别分析(Latent Class Analysis)

Wed, 09 Sep 2026 00:00:00 +0000

引言：为什么需要潜类别分析

在社会科学、医学和行为研究中，我们经常用一组分类变量来刻画个体特征，例如：

若干道二值量表题目（是/否）；
几种症状的有无（头痛/失眠/乏力……）；
几位医生对同一患者的诊断（有癌/无癌）。

这些指标本身只是表层的观测。研究者真正关心的是：在这些指标背后，是否存在若干个潜在的、互不重叠的人群（亚群/亚型）？比如，有些"头痛+失眠+乏力"同时出现的患者，可能是同一个潜在亚群——他们共享某种我们看不见的病因或状态。

潜类别分析(Latent Class Analysis, LCA) 正是回答这一问题的经典方法。它假设存在一个离散的潜在变量（即潜类别），该潜变量"解释"了所有观测指标之间的关联。LCA 的目标是：

从观测指标推断潜类别的个数；
估计每个样本属于各潜类别的概率；
刻画每个类别在各项指标上的响应模式（即"类别画像 profile"）。

LCA 由 Lazarsfeld 于 1950 年代提出，经 Goodman、Clogg、Collins 等人发展，如今已广泛应用于心理学、社会学、医学的分型研究。需要注意的是，LCA 是横截面、无监督的方法——它不假设时间顺序，也不需要预先的类别标签。

LCA 的核心原理：潜变量模型

1. 潜类别模型的基本设定

假设有 $J$ 个分类观测指标（item），第 $j$ 个指标记作 $Y_j$，每个指标的类别数可能不同。LCA 假设存在一个离散潜变量 $C$，取值为 $1, 2, \ldots, K$（$K$ 为潜类个数）。LCA 的核心假设是局部独立(Local Independence)：在给定潜类别 $C=k$ 的条件下，各观测指标彼此独立。即：

$$ P(Y_1 = y_1, \ldots, Y_J = y_J) = \sum_{k=1}^{K} \pi_k \prod_{j=1}^{J} P(Y_j = y_j \mid C = k) $$

其中：

$\pi_k = P(C = k)$ 是类别概率(class membership probability)，满足 $\sum_k \pi_k = 1$；
$P(Y_j = y_j \mid C=k)$ 是条件响应概率(item-response probability)，也叫条件概率，记作 $\rho_{jk}$。

模型的可识别参数为 $(K-1)$ 个类别概率 $\pi_k$，以及每个类别中每个指标的响应概率。以二值指标（0/1）为例，每个类别对每个指标有 1 个自由参数（$P(Y_j=1|C=k)$），加上 $K-1$ 个 $\pi_k$。

2. 局部独立假设的含义

局部独立是 LCA 的关键假设。它意味着：指标之间的所有关联都被潜变量"解释"了。一旦我们知道了某人属于哪个类别，各指标就变得相互独立。这个假设看似严格，但实际中适度放宽（如允许指标对相关）也能工作；若指标间仍有强关联（称为"局部依赖 local dependence"），则可能提示类别数不足或需要扩展模型。

3. 参数与 EM 算法

LCA 的参数估计采用极大似然估计(MLE)。由于潜变量不可观测，似然函数需要对所有可能的类别求和，无法直接求导。标准解法是 EM 算法(Expectation-Maximization)：

E 步：给定当前参数，计算每个样本属于各类别的后验概率： $$ \hat{p}_{ik} = \frac{\pi_k \prod_j P(Y_{ij} \mid C=k)}{\sum_{k'} \pi_{k'} \prod_j P(Y_{ij} \mid C=k')} $$
M 步：用这些后验概率作为"软分类权重"，重新估计类别概率和响应概率。

反复迭代直到似然收敛。poLCA 正是用 EM 算法实现的。

4. 后验概率与分类

对每个样本 $i$，EM 收敛后得到它属于每个类别 $k$ 的后验概率 $\hat{p}_{ik}$。把这些后验概率最大化的类别作为预测类别（modal assignment）。后验概率的清晰度反映分类质量：

若某样本的 $\hat{p}_{ik}$ 接近 0 或 1，说明分类明确；
若接近 $1/K$，说明该样本介于类别之间，分类模糊。

5. 类别数的选择：信息准则

潜类别个数 $K$ 是模型选择的关键。常用信息准则：

AIC $= -2\log L + 2m$（$m$ 为参数个数）
BIC $= -2\log L + m\ln N$（$N$ 为样本数）
G² (似然比统计量)：衡量模型拟合优度的偏差统计量。

一般规则：

BIC 通常比 AIC 更倾向选择较简单的模型（更严厉地惩罚参数），是 LCA 中最常用的准则；
比较不同 $K$ 时，选择 BIC（或 AIC）最小的模型；
同时参考熵(entropy)和类别占比：类别占比不应过小（如 <5%），否则可能是过度拟合。

6. 分类质量的度量：标准化熵

标准化熵(standardized entropy)，也叫熵 $R^2$，衡量分类的清晰程度：

$$ H = 1 - \frac{-\sum_i \sum_k \hat{p}_{ik} \log \hat{p}_{ik}}{N \log K} $$

$H$ 接近 1：后验概率接近 0/1，分类清晰；
$H$ 接近 0：后验概率均匀，分类模糊；
通常 $H > 0.8$ 认为分类质量较好。

LCA 与其它聚类方法的区别

方法	数据类型	核心思想	特点
LCA	分类指标	潜在离散变量 + 局部独立	概率模型，输出后验概率，模型可比较
K-means	连续变量	距离最小化	硬分类，需预设 K，无概率输出
潜在剖面分析(LPA)	连续变量	LCA 的连续版本	指标为连续，本质同 LCA
因子分析(FA)	连续指标	潜在连续因子	因子是连续的，不是离散亚群
混合模型(GMM)	连续变量	高斯混合	连续潜变量，每类可各有协方差

LCA 的独特优势：专门处理分类指标，输出概率性归属（而非硬性归类），且提供正式的模型比较（AIC/BIC）。

环境准备

我们使用 R 的 poLCA 包（Polytomous Variable Latent Class Analysis）。

1
2

# 首次使用时安装
install.packages("poLCA")

1
2
3

library(poLCA)
library(dplyr)
library(ggplot2)

实操：经典的癌诊断数据

我们用 poLCA 内置的 carcinoma 数据集。这是 Agresti (2002)《Categorical Data Analysis》第 542 页 Table 13.1 的经典数据：7 位病理学家(A~G)对 118 张宫颈切片的癌诊断，1=无癌，2=有癌。这个数据的价值在于：多位医生的诊断并不总是一致，我们想从这些不一致的评分中找出潜在的患者亚型。

步骤1：了解数据

library(poLCA)
data(carcinoma)

# 118 位患者 × 7 位病理学家
dim(carcinoma)
## [1] 118   7
head(carcinoma, 6)
##   A B C D E F G
## 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1
## 4 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1

可以看到每位患者有 7 个诊断（A~G），取值 1（无癌）或 2（有癌）。不同病理学家对同一患者的判断可能不同——这正是 LCA 适用的场景。

步骤2：拟合不同类别数的模型

LCA 的第一步是确定类别数。我们先拟合 1~4 类的模型，比较信息准则。注意 poLCA() 用 EM 算法，可能陷入局部最优，因此要设置 nrep（多次随机重启动）并用 set.seed() 保证可重复。

# 定义模型公式：7 个指标，右侧 ~1 表示不含协变量
f <- cbind(A, B, C, D, E, F, G) ~ 1

# 拟合 1~4 类模型，各重启多次避免局部最优
fit_tab <- data.frame(K = integer(), logLik = double(), npar = double(),
                      AIC = double(), BIC = double(), Gsq = double())
for (K in 1:4) {
  set.seed(4719)
  m <- poLCA(f, data = carcinoma, nclass = K, nrep = 15, verbose = FALSE)
  fit_tab <- rbind(fit_tab, data.frame(
    K = K, logLik = m$llik, npar = m$npar,
    AIC = m$aic, BIC = m$bic, Gsq = m$Gsq
  ))
}

round(fit_tab, 2)
##   K  logLik npar     AIC     BIC    Gsq
## 1 1 -524.46    7 1062.93 1082.32 476.78
## 2 2 -317.26   15  664.51  706.07  62.37
## 3 3 -293.70   23  633.41  697.14  15.26
## 4 4 -289.29   31  640.57  726.46   6.42

输出解读：

K=1 vs K=2：BIC 从 1082 降到 706，G² 从 477 降到 62——2 类模型显著更好。
K=2 vs K=3：BIC 从 706 降到 697（进一步改善），G² 从 62 降到 15。
K=3 vs K=4：BIC 反而上升（697→726），尽管 G² 降至 6.4。

BIC 和 AIC 都在 K=3 时最小，因此选择 3 类模型。BIC 对过拟合的惩罚说明 4 类模型在引入额外参数后并未带来足够的信息增益。

步骤3：模型选择的可视化

# 用 base R 手工构成长格式绘制 BIC/AIC 曲线
fit_long <- data.frame(
  K   = rep(1:4, 2),
  idx = rep(c("AIC", "BIC"), each = 4),
  val = c(fit_tab$AIC, fit_tab$BIC)
)

ggplot(fit_long, aes(x = K, y = val, color = idx, group = idx)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  geom_vline(xintercept = 3, linetype = 2, color = "grey40") +
  scale_x_continuous(breaks = 1:4) +
  labs(x = "潜类别数 K", y = "信息准则值", color = "指标") +
  theme_minimal() +
  theme(text = element_text(family = "PingFang SC"))   # 指定中文字体

步骤4：拟合 3 类模型并解读

选定 K=3 后，我们细致拟合并检查参数。

set.seed(4719)
lc3 <- poLCA(f, data = carcinoma, nclass = 3, nrep = 15, verbose = FALSE)

# 类别概率（各潜在亚群占比）
lc3$P
## [1] 0.1817079 0.4447277 0.3735644

# 预测类别分布
table(lc3$predclass)
## 
##  1  2  3 
## 23 51 44

解读类别概率

3 个类别的占比为：Class 1 ≈ 18.2%、Class 2 ≈ 44.5%、Class 3 ≈ 37.4%。三者都不算太小（均 > 10%），说明没有过度拟合出"只包含个别样本"的微小类别。

步骤5：解读条件响应概率（类别画像）

LCA 最有价值的部分是每个类别在各项指标上的响应模式。输出 lc3$probs 给出了每个类别对每个指标（无癌/有癌）的概率。

1
2

# 查看条件概率（只显示第一个指标 A）
lc3$probs

我们把它转成清晰的表。由于 poLCA 的 probs 是按指标嵌套的列表，用一个小函数提取：

# poLCA 对象没有直接的类别数字段，用 probs[[1]] 的行数取出类别数
extract_probs <- function(lc) {
  K <- nrow(lc$probs[[1]])   # 类别数 = 条件概率矩阵的行数
  rows <- lapply(seq_along(lc$probs), function(j) {
    m <- lc$probs[[j]]
    data.frame(
      Item = rep(names(lc$probs)[j], K),
      Class = paste("Class", seq_len(K)),
      P_no_cancer  = as.numeric(m[, "Pr(1)"]),
      P_yes_cancer = as.numeric(m[, "Pr(2)"])
    )
  })
  do.call(rbind, rows)
}
tbl <- extract_probs(lc3)
# 只对数值列保留 3 位小数（含字符的列不能直接 round）
tbl[, c("P_no_cancer", "P_yes_cancer")] <- round(tbl[, c("P_no_cancer", "P_yes_cancer")], 3)
tbl
##    Item   Class P_no_cancer P_yes_cancer
## 1     A Class 1       0.487        0.513
## 2     A Class 2       0.000        1.000
## 3     A Class 3       0.943        0.057
## 4     B Class 1       0.000        1.000
## 5     B Class 2       0.019        0.981
## 6     B Class 3       0.862        0.138
## 7     C Class 1       1.000        0.000
## 8     C Class 2       0.142        0.858
## 9     C Class 3       1.000        0.000
## 10    D Class 1       0.942        0.058
## 11    D Class 2       0.414        0.586
## 12    D Class 3       1.000        0.000
## 13    E Class 1       0.249        0.751
## 14    E Class 2       0.000        1.000
## 15    E Class 3       0.945        0.055
## 16    F Class 1       1.000        0.000
## 17    F Class 2       0.524        0.476
## 18    F Class 3       1.000        0.000
## 19    G Class 1       0.369        0.631
## 20    G Class 2       0.000        1.000
## 21    G Class 3       1.000        0.000

解读条件概率

各类别对"判有癌"(Pr(2)) 的概率如下（Pr(2) 高说明该病理学家认为此类别倾向于有癌）：

Class 1（占比 18.2%）：分歧类。B(1.00)、E(0.75)、G(0.63) 判有癌概率高，但 C(0.00)、F(0.00) 判有癌概率为 0、D(0.06) 也极低——不同病理学家对这类患者的判断很不一致。
Class 2（占比 44.5%）：一致有癌类。A(1.00)、B(0.98)、E(1.00)、G(1.00) 判有癌概率接近 1，C(0.86)、D(0.59)、F(0.48) 也偏高——几乎所有病理学家都倾向于诊断有癌。
Class 3（占比 37.4%）：一致无癌类。所有病理学家判有癌的概率都极低（0.00~0.14）——几乎所有病理学家都判断无癌。

于是 LCA 从 7 位医生不一致的诊断中揭示出三个潜在亚群：明确有癌、明确无癌、以及诊断有争议的一类。这正是 LCA 的典型价值——从多个观测指标的重叠模式中识别出不可直接观测的人群分型。

提示：潜类别的"标签顺序"（谁是 Class 1、2、3）是由 EM 算法的初始值和收敛次序决定的，没有固定意义。换一个随机种子或 nrep 后，类别可能交换编号，但 3 个类别的本质（有癌/无癌/分歧）不变。因此解读时要以每个类别的条件概率画像为准，而不是类别编号。

步骤6：类别画像可视化

用条形图展示每个类别的条件概率，更直观：

# 把条件概率构造成长格式（base R）
K <- nrow(lc3$probs[[1]])   # 类别数
profile_df <- do.call(rbind, lapply(names(lc3$probs), function(it) {
  m <- lc3$probs[[it]]
  rbind(
    data.frame(Item = it, Class = paste("Class", seq_len(K)),
               Response = "无癌 (1)",
               Prob = as.numeric(m[, "Pr(1)"])),
    data.frame(Item = it, Class = paste("Class", seq_len(K)),
               Response = "有癌 (2)",
               Prob = as.numeric(m[, "Pr(2)"]))
  )
}))
profile_df$Class <- factor(profile_df$Class, levels = paste("Class", 1:K))
profile_df$Item <- factor(profile_df$Item, levels = names(lc3$probs))

ggplot(profile_df, aes(x = Item, y = Prob, fill = Response)) +
  geom_col(position = "dodge") +
  facet_wrap(~Class, ncol = 1) +
  scale_fill_manual(values = c("#2c7fb8", "#d95f0e")) +
  scale_y_continuous(limits = c(0, 1)) +
  labs(x = "病理学家", y = "条件概率", fill = "诊断结果") +
  theme_minimal() +
  theme(text = element_text(family = "PingFang SC"))   # 指定中文字体

步骤7：后验概率与分类质量

每个样本在各类别上的后验概率存于 lc3$posterior。我们计算标准化熵衡量分类清晰度，并展示后验分类。

# 后验概率矩阵（每行一个样本，每列一个类别）
post <- lc3$posterior

# 标准化熵：越接近 1 分类越清晰
entropy_raw <- -sum(post[post > 0] * log(post[post > 0]))
entropy_norm <- 1 - entropy_raw / (nrow(post) * log(ncol(post)))
cat("标准化熵 (entropy R²) =", round(entropy_norm, 3), "\n")
## 标准化熵 (entropy R²) = 0.926

标准化熵约为 0.92，说明分类较为清晰，样本大多能明确归属到某一类别。

我们再看看每个类别的平均后验概率（反映各类别的"纯度"）：

# 各类别的平均后验概率
avg_posterior <- sapply(1:3, function(k) mean(post[, k]))
names(avg_posterior) <- paste("Class", 1:3)
round(avg_posterior, 3)
## Class 1 Class 2 Class 3 
##   0.182   0.445   0.374

进阶：带协变量的 LCA

在实际研究中，我们常想知道哪些因素影响个体的类别归属。poLCA 允许在公式右侧加入协变量，直接建模"类别概率 $\pi_k$ 如何随协变量变化"（此时 $\pi_k$ 用多项 logistic 建模）。

下面用一个可复现的模拟数据演示：我们生成 200 个样本，其潜在类别由一个"风险分数"变量 $x$ 决定，4 个二分指标在两类之间有不同的响应模式。

set.seed(7841)
n <- 200
x <- rnorm(n)                       # 协变量：风险分数
p_class2 <- plogis(-0.5 + 1.2 * x)  # 类别 2 的概率随 x 增大
trueclass <- ifelse(runif(n) < p_class2, 2, 1)

# 每个类别有不同的响应概率（高风险类更多指标=有）
prob_by_class <- list(
  `1` = c(0.90, 0.80, 0.15, 0.10),
  `2` = c(0.20, 0.25, 0.85, 0.80)
)
simdata <- as.data.frame(matrix(NA, n, 4))
names(simdata) <- paste0("Y", 1:4)
for (i in 1:n) {
  pv <- prob_by_class[[as.character(trueclass[i])]]
  simdata[i, ] <- rbinom(4, 1, pv) + 1   # 转成 1/2 编码
}
simdata$x <- x
head(simdata, 4)
##   Y1 Y2 Y3 Y4           x
## 1  1  2  2  1 -1.43932373
## 2  1  1  1  2  1.77975510
## 3  2  2  1  1 -1.31974286
## 4  1  1  2  2  0.09409911

带协变量的 LCA

set.seed(4719)
lc_cov <- poLCA(cbind(Y1, Y2, Y3, Y4) ~ x, data = simdata, nclass = 2,
                nrep = 10, verbose = FALSE)

# 类别-协变量关联（2/1 类别的 logistic 系数）
lc_cov$coeff
##                   [,1]
## (Intercept) -0.4456886
## x            1.1098658

解读协变量效应

输出中 2 / 1 部分给出类别 2 相对类别 1 的多项 logistic 系数：

系数 x = 1.11，标准误 0.23，p ≈ 0.005（显著）；
含义：风险分数 x 每增加 1 个单位，样本属于类别 2 的 log-odds 增加 1.11（即更可能落入"高风险"类别）。

这演示了 LCA 的完整能力：既从分类指标中提取潜类别，又能用协变量解释类别归属。

注意：lc_cov$coeff 的行对应"类别 j 相对基准类别 1"的系数。多个协变量时，每个协变量会出现在每个非基准类别对应的行中。

LCA 的优缺点

优点

专为分类指标设计：LCA 处理的是分类/有序类别数据，这是 K-means 等方法无法直接处理的。
概率性归属：输出后验概率，可评估分类的不确定性，而非硬性归类。
正式的模型比较：AIC/BIC/G² 提供客观的类别数选择。
可加协变量：直接建模类别概率依赖协变量，支持预测与解释。
结果可解释：每个类别有清晰的"响应画像"，易于向非统计背景的读者解释。

局限性

模型选择不唯一：BIC/AIC 的选择可能不一致，且类别过多易过度拟合（需结合熵、类别占比综合判断）。
局部独立假设较强：若指标间存在局部依赖，模型可能低估类别数或拟合偏差。
可能陷入局部最优：EM 算法对初始值敏感，需多次重启动（nrep）。
对样本量敏感：类别较多或指标水平多时，需要足够样本才能稳定估计。
类别解释依赖研究者判断：LCA 输出的类别是需要外部效度证据支撑的"统计构造"，不能自动对应真实疾病/亚型。

注意事项

设置 nrep：至少 nrep = 10 以上，并用 set.seed() 保证可重复。
检查局部最优：多次运行结果若不稳定，需增加 nrep 或改变初始值。
综合选类别数：不要只看 BIC，还要看标准化熵、类别占比、类别可解释性。
指标编码：应明确指标的取值含义（如 1/2），poLCA 会按指标的实际水平数建模。
协变量注意：加入协变量会改变模型复杂度，应基于研究问题决定是否包含。

参考文献与扩展

Lazarsfeld, P. F., & Henry, N. W. (1968). Latent Structure Analysis. Houghton Mifflin.
Agresti, A. (2002). Categorical Data Analysis (2nd ed.). Wiley. （carcinoma 数据来源）
Linzer, D. A., & Lewis, J. B. (2011). poLCA: An R Package for Polytomous Variable Latent Class Analysis. Journal of Statistical Software, 42(10), 1-29.
Collins, L. M., & Lanza, S. T. (2010). Latent Class and Latent Transition Analysis. Wiley.
相关扩展：poLCA 支持协变量；depmixS4 可做潜类别转移(潜在转换)分析；mclust 处理连续变量的高斯混合模型。

小结

潜类别分析(LCA)用一个离散潜变量解释多个分类观测指标之间的关联，通过 EM 算法估计类别概率与条件响应概率，从而从数据中发现潜在亚群。本文用 poLCA 包 + 经典的癌诊断数据走通了完整流程：确定类别数（BIC/AIC）→ 拟合模型 → 解读条件概率画像 → 后验分类与标准化熵 → 可视化，最后用模拟数据演示了带协变量的 LCA。掌握这些，你就能在自己的分类指标数据上识别潜在的人群分型。

Categorical on Asa's blog