潜在剖面分析（示例：自我控制的潜在剖面）
方法说明
潜在剖面分析 (LPA, k=4)，协方差结构 diag，标准化
数据来源
数据文件：/home/tester/nurse_student/data/data_ready.csv（用同份数据 + 上述方法可复现结果）
模型设定
下表为本次分析实际使用的设定（由分析程序自动原样列出，非 AI 转述）。解读数字前请先核对设定与你的研究假设一致——尤其路径方向与变量角色；质量门控只检查统计前提，发现不了「设定对不对」。
| 设定项 | 内容 |
|---|---|
| 指标变量 | SC健康习惯条目均分、SC抵制诱惑条目均分、SC冲动抑制条目均分、SC节制娱乐条目均分、SC专注工作条目均分 |
| 类别数搜索范围 | 2–4 |
模型比较（k = 2 ~ 4）
| k | Par | LogLik | AIC | BIC | aBIC | Entropy | Min class n | Min class % | BLRT p |
|---|---|---|---|---|---|---|---|---|---|
| 2 | 21 | -3670.064 | 7382.128 | 7473.896 | 7407.228 | 0.868 | 151 | 25.856 | 0.010 |
| 3 | 32 | -3368.288 | 6800.576 | 6940.413 | 6838.824 | 0.866 | 144 | 24.658 | 0.010 |
| 4 | 43 | -3053.742 | 6193.483 | 6381.389 | 6244.88 | 0.885 | 36 | 6.164 | 0.010 |
Entropy≥0.80 表示分类清晰度良好；最小类占比过低（<5%）的剖面缺乏实践意义。BLRT p 为参数自助法似然比检验（k vs k−1，100 次抽样），p<0.05 表示 k 剖面模型显著优于 k−1；BLRT 与 BIC 是选 k 最可靠的依据（Nylund et al., 2007）。
剖面数选择
| 项目 | 值 |
|---|---|
| 选定的剖面数 k | 4 |
| BIC elbow 位置 | 4 |
| elbow 阈值 | 54.625 |
| 是否触发门槛回退 | 否 |
| 选定 k 的 Entropy | 0.885 |
| 选定 k 的最小类占比(%) | 6.164 |
| 选定 k 的 BLRT p | 0.010 |
| 选择依据 | BIC elbow at k=4, passed all gates |
BIC在k=4(k_max)仍显著下降，建议扩大k_range上限重新运行LPA
各剖面指标均值（原始分）
| Indicator | Profile 1 | Profile 2 | Profile 3 | Profile 4 |
|---|---|---|---|---|
| SC健康习惯条目均分 | 3.851 | 2.938 | 2 | 2.114 |
| SC抵制诱惑条目均分 | 3.632 | 3.081 | 3.5 | 2.922 |
| SC冲动抑制条目均分 | 4.165 | 3.12 | 2.005 | 2.533 |
| SC节制娱乐条目均分 | 4.193 | 3.237 | 2 | 2.248 |
| SC专注工作条目均分 | 3.831 | 3.019 | 2.667 | 2.513 |
各剖面指标均值（z 标准化）
| Indicator | Profile 1 | Profile 2 | Profile 3 | Profile 4 |
|---|---|---|---|---|
| SC健康习惯条目均分 | 1.053 | -0.043 | -1.169 | -1.031 |
| SC抵制诱惑条目均分 | 0.686 | -0.237 | 0.465 | -0.503 |
| SC冲动抑制条目均分 | 1.202 | -0.128 | -1.549 | -0.876 |
| SC节制娱乐条目均分 | 1.098 | <0.001 | -1.421 | -1.135 |
| SC专注工作条目均分 | 1.099 | -0.156 | -0.702 | -0.939 |
z 均值（±0.5 为高低分界线）用于剖面命名，如"高FTP-低BP组"；剖面命名建议由 AI 结合指标含义完成。
剖面占比
| Profile | n | % |
|---|---|---|
| Profile 1 | 152 | 26.0% |
| Profile 2 | 294 | 50.3% |
| Profile 3 | 36 | 6.2% |
| Profile 4 | 102 | 17.5% |
剖面图
Fig. 1. Estimated profile means across the 5 indicator variables. Note: each line represents one latent profile; error bars show ±1 SD; the legend lists profile sizes (n, %).
说明：各潜在剖面在5个指标上的均值比较：每条线为一个剖面，误差条 ±1 SD，图例含人数与占比。
剖面均值热图
Fig. 2. Heatmap of profile-mean z scores. Note: z scores are standardized against the overall sample (M = 0), removing metric differences across indicators; red = high, blue = low. Same data as the profile plot in a more readable form when indicators are numerous — the direct basis for profile naming (e.g., high-low-moderate).
说明：各剖面指标均值 z 分数热图（样本总体 M=0 标准化），与剖面图同数据不同呈现，是剖面命名的直接依据。
剖面占比
Fig. 3. Sample sizes and proportions of the latent profiles. Note: bars are annotated with n (%).
说明：各潜在剖面的样本量与占比，柱上标注为人数（占比）。
BIC/AIC 曲线
Fig. 4. Information criteria (BIC/AIC) across numbers of profiles (k). Note: lower values are better; the elbow or minimum of the BIC curve is the primary basis for selecting k; the dashed line and annotated point mark the final selected k.
说明：不同剖面数 k 的信息准则比较：越低越好，BIC 拐点/最低点为选 k 主要依据（Elbow 法）；虚线与标注点为最终选定的 k。
Entropy 曲线
Fig. 5. Classification quality (entropy) as a function of the number of profiles (k). Note: entropy ranges from 0 to 1; values ≥ .80 (dashed line) indicate clear classification. Serves as a secondary check on the BIC choice — a marked drop as k grows questions the added profile; the annotated point marks the final k.
说明：Entropy 随 k 的变化：∈[0,1]，≥0.80（虚线）为清晰度良好；作 BIC 的辅助选 k 依据，标注点为最终选定 k。
质量检查
全部检查通过，结果可放心解读。
| 检查项 | 实际值 | 参考标准 | 状态 | 建议 |
|---|---|---|---|---|
| 分类熵 Entropy | 0.885 | ≥0.80 | ✓ 通过 | |
| 最小类占比 | 6.164 | ≥5 | ✓ 通过 | |
| 最小类人数 | 36 | ≥25 | ✓ 通过 | |
| 结果完整性 | k=4, 4 个剖面 | 存在剖面结果 | ✓ 通过 |
📄 复现代码⬇ R
R 代码
# 潜在剖面分析（示例：自我控制的潜在剖面）
# 数据来源: /home/tester/nurse_student/data/data_ready.csv
# 指标变量: SC健康习惯条目均分, SC抵制诱惑条目均分, SC冲动抑制条目均分, SC节制娱乐条目均分, SC专注工作条目均分
# 剖面数范围: 2 - 4
library(readr)
library(dplyr)
library(tidyLPA)
library(mclust)
# 读取数据
data <- read_csv("/home/tester/nurse_student/data/data_ready.csv")
# 选择指标变量并标准化（与 Python standardize=True 一致）
indicators <- c("SC健康习惯条目均分", "SC抵制诱惑条目均分", "SC冲动抑制条目均分", "SC节制娱乐条目均分", "SC专注工作条目均分")
data_subset <- scale(data[, indicators])
# 运行 LPA（枚举 k）
cat("\n=== 潜在剖面分析 ===\n\n")
# 使用 tidyLPA：variances="varying" + covariances="zero" = 各类方差自由、
# 协方差为 0（对应 Python covariance_type="diag"；tidyLPA 2.x 已废弃
# models_to_run 参数，误传会被 ... 静默吞掉并回落到等方差模型）
lpa_results <- estimate_profiles(data_subset, n_profiles = 2:4,
variances = "varying", covariances = "zero")
# 模型比较
cat("\n=== 模型比较 ===\n")
compare_solutions(lpa_results)
# 显著性检验（发表级拟合表通常需报告；Python 报告的 BLRT p 即此口径）：
# - LMR-LRT：tidyLPA::calc_lrt(n, null_ll, null_param, null_classes,
# alt_ll, alt_param, alt_classes) # 逐对调用，k-1 为 null、k 为 alt
# - BLRT（与 Python 报告同口径）：
# mclustBootstrapLRT(data_subset, modelName = "VVI", nboot = 100, maxG = 4)
# 注意（mclust 6.x 实测）：参数名为 modelName（单数）；从 G=1 顺序检验到
# maxG，遇不显著或拟合失败即停；mclust 无方差正则化，部分数据的自助
# 重拟合会报 "some model(s) could not be fitted" 而中断（Python 端经
# reg_covar 处理，无此问题）
# 选择最优模型（基于 BIC、Entropy 等）
cat("\n=== 最优模型摘要 ===\n")
print(lpa_results)
# 剖面均值（tidyLPA ≥2.0 API；旧版 get_profile_means 已移除）
cat("\n=== 剖面均值 ===\n")
get_estimates(lpa_results, "means")
# 分类大小
cat("\n=== 分类大小 ===\n")
get_data(lpa_results) %>%
group_by(Class) %>%
summarise(n = n(), percentage = n() / nrow(.) * 100)AI 建议
全部质量检查通过，结果可放心解读。