根据Bray, Lanzaa and Tanb (2015)的建议，我想执行三步法，通过使用包容性LCA（LCA包括协变量）的后验概率将个体分类。但是，如果我包括所有感兴趣的变量，则包含模型与非包含模型相比有很大不同。
条件概率以及每个类的案例数完全不同。因此，使用包容性LCA的后验概率（以分配案例）时，轮廓或模式的解释与非包容性模型（步骤1）完全不同。 我的问题是，我做错了什么吗？获得这些更改是否正常？程序可能不正确。当查看每个类别的项目条件概率时，模型本身会失去意义。
这些是我采取的步骤：
要执行LCA来研究性危险行为的概况（使用6个变量），并分析与不同类型的药物使用，性别和年龄的关联（模型4似乎是最佳选择）。
z <- cbind(sexrisk1, sexrisk2, sexrisk3, sexrisk4, sexrisk5, sexrisk6)
lc4 <- poLCA(z, MyData, nclass = 4,nrep=10)
将所有感兴趣的变量都包括在内，作为“适当的”后验分析的协变量（根据Bray，Lanzaa和Tanb（2015）的建议）
f <- cbind(sexrisk1, sexrisk2, sexrisk3, sexrisk4, sexrisk5, sexrisk6)~ drug1+drug2+drug3+gender+age
lc4.cov <- poLCA(f, MyData, nclass = 4,nrep=10)
一旦执行了包含模型，我就使用预测类和后验概率的值（我认为poLCA通过最大概率分配来做到这一点。不确定这一点）将案例分配给成员类。
table(lc4.cov$predclass)
write.csv(cbind(MyData$code, lc4.cov$posterior), 'new.data.csv')
（注意：通过增加两个模型（包括和不包括）的nrep数量，后验概率结果显示出较小的差异）。