潜在类别模型(latent class model,LCM)是建立在概率分布原理与对数线性模型基础之上,并引入因子分析与结构方程模型的思想而形成的。潜在类别分析(LCA)是通过潜在类别模型参数得到各种潜在类别的具体外在表现的潜在特征分类技术。该分析技术处理的是类别变量,弥补了因素分析仅能处理连续潜在变量的不足,近年来已广泛应用于心理学、预防医学、精神病学、市场营销、组织管理等诸多领域。随着LCA的发展,LCA逐步与其他测量模型相结合,拓展了对混合数据的统计分析方法。例如混合因素模型(mix-mode data),混合潜在特质模型(mixture IRT model),混合结构方程模型(mixture SEM)等,允许外显变量或潜在变量同时存在离散型和连续型数据,不再受测量题目计分方式的差异所制约,保持测量结果分析的整体性。本文主要对LTA与混合潜在特质模型相结合而形成的混合模型(LTA–Mix IRTM)的有关理论介绍,并探讨这个模型的优缺点及应用。潜在转变分析(latent transition analysis,LTA)是在潜在类别分析在纵向数据分析的应用,是LCA与纵向数据分析相结合的产物。传统的LTA所处理的是类别变量,当这些变量为连续型的时候,传统LTA是不能够处理的。而LTA–Mix IRTM相对于传统的LTA来说即能处理类别变量,又能处理连续型变量,他综合了潜在特质模型与类别分析模型的思想,他的构建拓展了潜变量模型的应用范围。LTA–Mix IRTM相对于以往的LTA,具有很大的优势,它的"降维简化"技术可以使众多复杂的变量清晰化,克服变量描述的单一性,更重要的是在这混合潜变量模型中不仅可以区分出不同潜在类别,同时也可以对不同的潜在分类之间的连续型潜变量进行比较研究。