Hej Christian
Du kan downloade LEM på denne hjemmeside.

http://www.uvt.nl/faculteiten/fsw/organisatie/departementen/mto/software2.html

Download denne: `Executable files for the Windows 95 version of LEM (zipped)`
Husk også LEM manualen.

Vermunt, der står bag LatentGold, har også skrevet LEM - og det er helt og aldeles freeware!. Du kan lave klassisk LCA, men der er også et hav af andre muligheder.

Tjek evt også John Uebersax´ hjemmeside ud. Der er nogle gode artikler og småprogrammer.

Mvh Thomas

Hej Thomas og Mads

Tak for det. Jeg kigger efter.

Mvh Christian

Jacob,

Jeg ville droppe LEM og bruge poLCA i R. LEM er svær at arbejde med--især hvis du vil have dine data (fx forudsagte klasser eller klassemedlemsskabssandsynligheder) tilbage i et almindeligt statistikprogram (SPSS/STATA/SAS). R er selvfølgelig lidt mere kompliceret, men netop poLCA er meget, meget simpel. Jeg kan smide dig noget kode, som du kan kigge på (den indlæser data, specificerer matricen, kører analysen, forudsiger klasser, og gemmer en fil med resultaterne i Stata format).

Måske virker dette link (virker for mig), hvis du har interesse i LEM:
http://spitswww.uvt.nl/web/fsw/mto/lem/lemwin.zip

Kristian

Hej Kristian

Først og fremmest tak for dit svar!

LEM er sgu noget af en nød at knække, ja. Jeg har fundet programmet i mellemtiden, og har givet op. Det lykkedes mig ikke engang at få min data importeret til programmet, så det bragte mig ingen steder.

poLCA i R har jeg også kigget lidt på og forsøgt mig med (du må meget gerne sende nogle koder til mig: jlunding[snabel-a]gmail.com). R er nyt for mig, men det ser ud til at kunne lade sig gøre. Det er imidlertid en masse binære variable (items), jeg vil forsøge at konstruere nogle klasser ud fra - og når jeg skriver en kode med dem alle, insisterer R på, at jeg ikke må have mere en 256 bytes variabelnavne.
Der er naturligvis ingen af mine variabelnavne, der er så lange, men måske er det fordi den betrager dem som et `navn` til sammen, når jeg `gemmer` dem i f
f derfor har jeg 54 binære indikatorvariable.
Jeg har forsøgt på alle mulige måder at reducere antallet af modaliteter ved en semantisk `sammenkodning` (understøttet af en masse korrelationsmatricer). Det har bragt mig fra 165 til 54, men jeg kunne godt tænke mig at se, om en latent klasse analyse kunne bringe lidt mere `orden` i det.

Det giver - synes jeg - teoretisk mening at forestille sig en bagvedliggende latent variabel med måske 3, 4, 5 klasser af ansøgere; en flygtningetype-variabel, kunne man kalde den. Men giver det mon mening analytisk, metodisk, at arbejde med så mange variable (54 binære) i en LCA?

Det skal måske lige siges, at det, jeg foretager mig nu, er forarbejdet til en korrespondanceanalyse af afgørelser i flygtningenævnet, hvor jeg konstruerer et rum at afgørelser/troværdighedsvurderinger og ser på, hvordan dette rum er struktureret på baggrund af oplysninger om ansøgernes køn, religion, oprindelsesland, etnicitet og altså de 4 grupper af "positionsvariable" -for nu at tale Bourdieu`sk, - der måler hvilken slags flygtning, der er tale om.

mvh
Jacob

........Se bort fra de nu tre forrige posts..... Der går et eller andet galt!""#!"¤%!%

Hej Kristian

Først og fremmest tak for dit svar!

LEM er sgu noget af en nød at knække, ja. Jeg har fundet programmet i mellemtiden, og har givet op. Det lykkedes mig ikke engang at få min data importeret til programmet, så det bragte mig ingen steder.

poLCA i R har jeg også kigget lidt på og forsøgt mig med (du må meget gerne sende nogle koder til mig: jlunding[snabel-a]gmail.com). R er nyt for mig, men det ser ud til at kunne lade sig gøre. Det er imidlertid en masse binære variable (items), jeg vil forsøge at konstruere nogle klasser ud fra - og når jeg skriver en kode med dem alle, insisterer R på, at jeg ikke må have mere en 256 bytes variabelnavne.
Der er naturligvis ingen af mine variabelnavne, der er så lange, men måske er det fordi den betrager dem som et `navn` til sammen, når jeg `gemmer` dem i f

f - (y1, y2,....,y54)

Sagen er, at jeg har data med en masse multi.response spørgsmål (check all that apply - eller hvad man nu kalder det).
Tematisk er der tale om 4 grupper af spørgsmål (det drejer sig om asylansøgere, hvis sag er behandlet i flygtningenævnet): Overlast, Risiko, Årsag og Agents of persecution. Hver subjekt i data har op til 16 svar under hver gruppe, og der er 54 forskellige modaliteter i alt. Derfor har jeg 54 binære indikatorvariable.
Jeg har forsøgt på alle mulige måder at reducere antallet af modaliteter ved en semantisk `sammenkodning` (understøttet af en masse korrelationsmatricer). Det har bragt mig fra 165 til 54, men jeg kunne godt tænke mig at se, om en latent klasse analyse kunne bringe lidt mere `orden` i det.

Det giver - synes jeg - teoretisk mening at forestille sig en bagvedliggende latent variabel med måske 3, 4, 5 klasser af ansøgere; en flygtningetype-variabel, kunne man kalde den. Men giver det mon mening analytisk, metodisk, at arbejde med så mange variable (54 binære) i en LCA?

Det skal måske lige siges, at det, jeg foretager mig nu, er forarbejdet til en korrespondanceanalyse af afgørelser i flygtningenævnet, hvor jeg konstruerer et rum at afgørelser/troværdighedsvurderinger og ser på, hvordan dette rum er struktureret på baggrund af oplysninger om ansøgernes køn, religion, oprindelsesland, etnicitet og altså de 4 grupper af "positionsvariable" -for nu at tale Bourdieu`sk, - der måler hvilken slags flygtning, der er tale om.

mvh
Jacob

Hej Jakob
Jeg synes ligesom Kristian at 54 variable lyder meget voldsomt. Udover statistiske identifikations-problemer, bliver det enormt svært, at fortolke de efterfølgende klasser, medmindre der er meget entydige mønstre i data.

Måske du bør overveje, at køre en faktoranalyse før du går videre mhp. at reducere input variable til et antal færre (og meningsfulde) variable i latent klasse analysen.

vh Thomas

Godt spørgsmål. Måske på nogle af business skolerne (Århus eller København), ellers skal du nok til udlandet. Lazarsfeld og Henrys gamle bog om LCA er klart værd at kigge i.

Kristian