该书综合以及扩展了各种潜变量模型，包括多层次模型、广义线性混合模型、纵贯性模型、题器响应模型、潜类模型以及结构方程模型。通过对潜变量模型的介绍，作者清晰地解释及比较了生物统计学、心理计量学、经济计量学以及统计学对模型估计及预测的方法。该书同时向研究人员展现了如何应用潜变量模型在社会学、经济学、心理学、医学等不同学科去解决实质性问题，该书所提供的经验案例详细具体，并包含有软件计算过程及数据，非常适合学习。
第1部分 方法论
1 潜变量无所不在
1.1 介绍
1.2 带有测量误差的"真实"变量
1.3 假设构念
1.4 未观测到的异质性(Unobservedheterogeneity)
1.5 缺失值与反事实
1.6 潜响应
1.7 产生灵活分布
1.8 组合不同来源的个体单元信息
1.9 总结
2 对不同响应过程建模
2.1 介绍
2.2 广义线性模型
2.3 广义线性模型的扩展
2.4 潜响应方程(Latentresponseformulation)
2.5 存续或生存的建模
2.6 总结与进一步阅读
3 经典潜变量模型
3.1 介绍
3.2 多层次回归模型
3.3 因子模型和题器响应模型
3.4 潜类模型
3.5 带有潜变量的结构方程模型
3.6 纵贯性模型
3.7 总结与进一步阅读
4 一般模型框架
4.1 介绍
4.2 响应模型
4.3 潜变量的结构模型
4.4 干扰项分布
4.5 参数约束和基本参数
4.6 潜变量和线性估计量的简化式
4.7 潜变量的矩结构
4.8 观测响应和潜响应的边缘矩结构
4.9 简化式分布和似然
4.10 简化式参数
4.11 总结与进一步阅读
5 辨识与等价
5.1 介绍
5.2 辨识
5.3 等价
5.4 总结与进一步阅读
6 估计
6.1 引言
6.2 较大似然：封闭形式的边缘似然性
6.3 较大似然：近似边缘似然
6.4 似然较大化
6.5 非参数较大似然估计
6.6 受约束/残差较大似然(REML)
6.7 有限信息方法
6.8 较大伪似然估计
6.9 广义估计方程(GEE)
6.10 固定效应方法
6.11 贝叶斯方法
6.12 总结
7 潜变量赋值
7.1 介绍
7.2 后验分布
7.3 经验贝叶斯(EB)
7.4 经验贝叶斯众数(EmpiricalBayesmodal，EBM)
7.5 较大似然法
7.6 在"线性案例"中几种记分法的关系
7.7 专门的计分方法
7.8 潜变量计分和分类的使用
7.9 总结与进一步阅读
8 模型设定与推论
8.1 介绍
8.2 统计建模
8.3 推论(基于似然)
8.4 模型选择：相对拟合标准
8.5 模型充分性：全局拟合标准
8.6 模型诊断：局部拟合标准
8.7 总结与进一步阅读
第2部分 应用研究
9 二项响应
9.1 介绍
9.2 儿童呼吸道感染研究：随机截距模型
9.3 心肌梗塞诊断：潜类模型
9.4 数学推理：题器响应模型
9.5 尼古丁咀嚼胶与戒烟：元分析
9.6 妻子的就业转换：马尔可夫模型及未观测到的异质性
9.7 白靴兔计数：捕获一再捕获模型及异质性
9.8 对堕胎的态度：多层次题器响应模型
9.9 总结与进一步阅读
10 定序响应
10.1 介绍
l0.2 性教育群组随机试验：潜增长曲线模型
l0.3 政治效能：因子维度及题器偏误
l0.4 生活满意度：定序有衡正态概率因子模型(Ordinalscaledprobitfactormodel)
10.5 总结与进一步阅读
1 事件数
11.1 介绍
11.2 儿童牙病防治：过度离散模型
11.3 癫痫症治疗：随机系数模型
11.4 苏格兰唇癌：疾病制图
11.5 总结与进一步阅读
1 存续与生存响应
12.1 介绍
12.2 多重事件群集存续数据的建模
12.3 吸烟的肇端：离散时间脆弱模型
12.4 锻炼和心绞痛：成比例风险随机效应和因子模型
术语对照表
人名对照表
参考文献
1 潜变量无所不在
1.1 介 绍
既然本书的核心内容是潜变量模型，因此很自然地从讨论"潜变量"这一概念的含义人手。从当前的情况看，潜变量已经以不同的方式被界定，其中一些将会在本章进行简要描述，尽管我们通常发现这些定义过于狭隘(参见Bollen，2002)。在本书里，我们将一个"潜变量"简单地定义为这样一种随机变量，即其实现过程对我们来说是隐蔽的那些变量。这与显变量(manifest variables)正好相反，显变量的实现是可以观测到的。
关于潜变量建模(1atent variable modeling)的怀疑论与偏见在统计学家中并不罕见。潜变量建模经常被认为是一种不确定的应用，充满着无法证实的假设以及未经检验的因果关系推论。这种看法至少可以从以下3点进行反驳：及时，任何合理的统计方法都可能被未经检验的模型设定(model specifications)和过度热衷的解释而滥用。第二，忽视潜变量通常意味着更强烈的假定，而不是将它们包括在内。潜变量建模因此可能被认为是对于排斥潜变量的简单分析的灵敏度分析。第三，潜变量建模中的很多假设能够进行经验的评估，当然也有一些假设是毫无必要的，我们将会在随后的章节中看到这一点。
此外，潜变量建模通常被认为是统计学中一块相当模糊的领域，仅仅局限于计量心理学。然而，潜变量现已遍及现代主流的统计学，并且广泛地应用于不同的学科中，如医学、经济学、工程学、心理学、地理学、营销学与生物学。潜变量的这种"无所不在"一般并没有被认识到，或许可能是因为潜变量在不同的文章中被给予不同的名字，如随机效应(random effect)、公共因子(common factor)和潜类别(1atent class)等。
在本章中，我们将要论证潜变量可以用来描述以下现象：
·带有测量误差的"真实"变量。
·假设构念(Hypothetical constructs)。
·未观测到的异质性。
·数据缺失。
·反事实性(Counterfactuals)或"潜在结果(potential outcomes)"。
·类别变量(categorical variables)背后的潜响应。
潜变量还应用于：
·产生灵活性的多元分布。
·统合来源于不同的个体单元信息。
……
