如何使用這個工具
開啟資料檔案或按「使用範例資料」，勾選用來劃分類別的題目，並替每題選擇「類別」「順序（視為類別）」或「連續」。可以選擇權重欄、類別數範圍、隨機起始值個數和隨機種子，然後按下執行。
執行後先看模型比較表：每個 k 的對數概似、參數個數、AIC、BIC、CAIC、樣本數調整 BIC、熵 R²、最小類別占比，以及達到最佳對數概似的隨機起始值個數。選定一個模型後，特徵表會列出各類別的條件作答機率或平均數，以及相對整體的指數；可以匯出含類別歸屬和事後機率的資料、參數表（分類工具），也可以在頁面上輸入一位新受訪者的答案，查看他屬於各類別的機率。
方法：EM 演算法與模型比較
模型為 P(xᵢ) = Σₖ πₖ Πⱼ fⱼ(xᵢⱼ | k)：πₖ 是第 k 類的占比，fⱼ 是第 j 個指標在該類中的分配——類別與順序指標為各選項的機率，連續指標為該類平均數和變異數的常態密度。參數以 EM 演算法依最大概似法估計。受訪者沒有回答的指標在概似中直接略過（隨機遺漏假設），只要回答了任一指標就會被歸類。
EM 可能停在局部最大值，所以每個 k 預設從 10 組帶種子的隨機起始值出發，先各執行一小段 EM，再把最有希望的幾組執行到收斂，保留對數概似最高的解，並回報執行到收斂的起始值中有幾組達到它。同一檔案、設定和種子每次的結果都相同；類別依占比由大到小編號。連續指標的類內變異數不低於該指標總變異數的 1%，避免某一類塌縮到單一數值。
- 參數個數 p =（k − 1）+ 每個類別指標 k ×（選項數 − 1）+ 每個連續指標 2k。
- BIC = −2 log L + p ln n；AIC、CAIC 與樣本數調整 BIC（SABIC）一併列在表中，數值越低越好。
- 熵 R² 介於 0 和 1 之間，越接近 1 代表受訪者的類別歸屬越明確。
- 加權時權重先調整為平均數 1，以擬概似法估計；資訊準則使用未加權的受訪者人數。
計算實例
合成購物者範例資料有 900 位受訪者和 7 個指標：主要購物通路、是否使用折價券、是否購買有機食品和購物頻率（類別），品牌忠誠度與價格敏感度（1–5 分，視為類別），以及每月食品雜貨支出（連續）。每位受訪者都由三個預設類別之一產生，約 4% 的答案是空白。配適 k = 1 到 6，BIC 依序為：k = 1 時為 23102，k = 2 時為 22076，k = 3 時為 21585，k = 4 時為 21674，k = 5 時為 21762，k = 6 時為 21858。
BIC 最低的是 k = 3，各類別占比為 46.3%、33.7%、20.1%，熵 R² 為 0.916。依最可能類別歸類，與預設類別一致的受訪者占 97.1%（第 1 至第 3 類依序對應精打細算型、品質忠誠型、便利型，以一對一配對）。第 1 類以量販折扣店為主要通路的比例為 58%（整體為 32%），每月支出平均為 424（整體為 466），是典型的精打細算型。
類別更多的模型配適度只略為改善，卻被 BIC 懲罰；而且多出來的類別往往只有少數隨機起始值能達到，表示 EM 找到的是不穩定的局部解。
適合與不適合的情況
判斷模型要同時看 BIC、熵、最小類別占比、最佳對數概似是否被多組起始值重複得到，以及條件作答機率能否組成清楚的類別特徵。類別只是對作答模式的歸納，最可能類別的歸屬也有分類誤差，後續分析時建議保留事後機率。
- 用名目或混合類型的題目做區隔，例如把通路、使用品牌、是否有某種行為、評分題和支出放在一起。
- 需要每位受訪者屬於各類別的機率，而不只是硬性歸類；或需要替新受訪者歸類的分類工具。
- 樣本只有一兩百人，或類別稀疏的題目很多——類別數較多的模型會無法識別。
- 資料量很大——這裡最多支援 20,000 列、200,000 個答案（列數 × 指標數）。
如何解讀結果
平均事後機率高於 0.8 的類別，成員歸屬比較可靠；熵 R² 高於約 0.8 時，可以把最可能類別當作區隔欄使用。替類別命名時，以指數明顯偏高或偏低的選項和平均數為依據，再用交叉分析查看各類別在人口統計和行為題上的差異。
潛在類別模型假設同一類別內各指標彼此獨立。如果兩道題幾乎重複（例如同一個問題的兩種問法），模型可能為了解釋它們之間的關聯而多分出一個類別，這時應該只保留其中一題。