Mplus 是一个统计建模程序，为研究人员提供了一种灵活的工具来分析他们的数据。Mplus 为研究人员提供了多种模型、估计量和算法选择，该程序具有易于使用的界面和数据和分析结果的图形显示。Mplus 允许分析横截面和纵向数据、单级和多级数据、来自不同人群的具有可观察或未观察异质性的数据以及包含缺失值的数据。可以对连续、审查、二进制、有序分类（序数）、无序分类（名义）、计数或这些变量类型的组合的观察变量进行分析。此外，Mplus 还具有广泛的蒙特卡罗模拟研究能力，可以根据程序中包含的任何模型生成和分析数据。

Mplus 建模框架借鉴了潜变量的统一主题。Mplus 建模框架的通用性来自连续和分类潜变量的独特使用。连续潜变量用于表示与未观察到的结构相对应的因素、与发育中的个体差异相对应的随机效应、与分层数据中各组系数变化相对应的随机效应、与生存时间中未观察到的异质性相对应的脆弱性、与对疾病的遗传易感性相对应的责任以及与缺失数据相对应的潜在响应变量值。分类潜变量用于表示与同质个体群体相对应的潜在类别，潜在轨迹类别对应于未观察到的群体的发展类型，混合成分对应于未观察到的群体的有限混合，潜在响应变量类别对应于缺失数据。

Mplus是一个潜在变量建模程序，具有多种分析功能：

●探索性因子分析

●结构方程模型

●项目反应理论分析

●增长模型

●生存分析（连续和离散时间）

●时间序列分析（N=1 和多级）

●混合模型（潜在类别分析）

●纵向混合建模（隐马尔可夫、潜在转移分析、潜在类别增长分析、增长混合分析）

●多层次分析

●复杂调查数据分析

●贝叶斯分析

●蒙特卡罗模拟

数据建模的目的是用简单的方式描述数据的结构，使其易于理解和解释。本质上，数据建模相当于指定一组变量之间的关系。下图显示了可以在 Mplus 中建模的关系类型。矩形表示观察变量。观察变量可以是结果变量或背景变量。背景变量称为 x；连续和删失结果变量称为 y；二元、有序分类（序数）、无序分类（名义）和计数结果变量称为 u。圆圈表示潜在变量。连续和分类潜在变量都是允许的。连续潜在变量称为 f。分类潜变量被称为 c。

图中的箭头表示变量之间的回归关系。允许但未在图中具体显示的回归关系包括观察到的结果变量之间的回归、连续潜变量之间的回归以及分类潜变量之间的回归。对于连续结果变量，使用线性回归模型。对于删失结果变量，使用删失（tobit）回归模型，在删失点处有或没有膨胀。对于二元和有序分类结果，使用 probit 或逻辑回归模型。对于无序分类结果，使用多项逻辑回归模型。对于计数结果，使用泊松和负二项回归模型，在零点处有或没有膨胀。

Mplus 中的模型可以包括连续潜变量、分类潜变量或连续和分类潜变量的组合。在上图中，椭圆 A 描述仅具有连续潜变量的模型。椭圆 B 描述仅具有分类潜变量的模型。完整的建模框架描述了具有连续和分类潜变量组合的模型。上图的 Within 和 Between 部分表示可以使用 Mplus 估计描述个体级别（内部）和集群级别（之间）变化的多层模型。

椭圆 A 描述仅具有连续潜在变量的模型。以下是可以使用 Mplus 估计的椭圆 A 中的模型：

• 回归分析

• 路径分析

• 探索性因子分析

• 验证性因素分析

• 结构方程模型

• 增长模型

• 离散时间生存分析

• 连续时间生存分析

  
  

观察到的结果变量可以是连续的、删失的、二元的、有序分类（序数的）、无序分类（名义的）、计数的或这些变量类型的组合。

上述模型针对所有观察到的结果变量类型具有以下特殊功能：

• 单组或多组分析

• MCAR、MAR 和 NMAR 下以及多重插补下的缺失数据

• 复杂的调查数据特征，包括分层、聚类、不等选择概率（抽样权重）、亚群分析、重复权重和有限总体校正

• 使用最大似然法进行潜在变量相互作用和非线性因子分析

• 随机斜率

• 观察时间因人而异

• 线性和非线性参数约束

• 包括具体路径在内的间接影响

• 所有结果类型的最大似然估计

• Bootstrap 标准误差和置信区间

• 参数相等性的 Wald 卡方检验

• 潜在变量的合理值

椭圆 B 描述仅具有分类潜在变量的模型。以下是可以使用 Mplus 估计的椭圆 B 中的模型：

• 回归混合建模

• 路径分析混合模型

• 潜在类别分析

• 具有协变量和直接效应的潜在类别分析

• 验证性潜在类别分析

• 具有多个分类潜在变量的潜在类别分析

• 对数线性建模

• 潜变量分布的非参数建模

• 多组分析

• 有限混合建模

• 遵循者平均因果效应 (CACE) 模型

• 潜在转移分析和隐马尔可夫模型（包括混合和协变量）

• 潜在类别增长分析

• 离散时间生存混合分析

• 连续时间生存混合分析

观察到的结果变量可以是连续的、删失的、二元的、有序分类（序数）、无序分类（名义）、计数或这些变量类型的组合。上面列出的大多数特殊功能都适用于具有分类潜在变量的模型。以下特殊功能也可用：

<ul 使用层间分类隐变量进行分析

• 使用基于后验概率的多重插补检验潜在类别之间的均值相等性

• 潜在类别的合理值