Mplus是一款專業的統計軟件，主要用于結構方程模型（SEM）和其他類型的復雜數據分析。它由L. K. Muthén和Muthén & Muthén公司開發，廣泛用于心理學、教育學、社會學、市場營銷、健康研究等領域。
Mplus 是一個統計建模程序，為研究人員提供了一種靈活的工具來分析他們的數據。Mplus 為研究人員提供了多種模型、估計量和算法選擇，該程序具有易于使用的界面和數據和分析結果的圖形顯示。Mplus 允許分析橫截面和縱向數據、單級和多級數據、來自不同人群的具有可觀察或未觀察異質性的數據以及包含缺失值的數據。可以對連續、審查、二進制、有序分類（序數）、無序分類（名義）、計數或這些變量類型的組合的觀察變量進行分析。此外，Mplus 還具有廣泛的蒙特卡羅模擬研究能力，可以根據程序中包含的任何模型生成和分析數據。
Mplus 建模框架借鑒了潛變量的統一主題。Mplus 建模框架的通用性來自連續和分類潛變量的獨特使用。連續潛變量用于表示與未觀察到的結構相對應的因素、與發育中的個體差異相對應的隨機效應、與分層數據中各組系數變化相對應的隨機效應、與生存時間中未觀察到的異質性相對應的脆弱性、與對疾病的遺傳易感性相對應的責任以及與缺失數據相對應的潛在響應變量值。分類潛變量用于表示與同質個體群體相對應的潛在類別，潛在軌跡類別對應于未觀察到的群體的發展類型，混合成分對應于未觀察到的群體的有限混合，潛在響應變量類別對應于缺失數據。
Mplus是一個潛在變量建模程序，具有多種分析功能：
●探索性因子分析
●結構方程模型
●項目反應理論分析
●增長模型
●生存分析（連續和離散時間）
●時間序列分析（N=1 和多級）
●混合模型（潛在類別分析）
●縱向混合建模（隱馬爾可夫、潛在轉移分析、潛在類別增長分析、增長混合分析）
●多層次分析
●復雜調查數據分析
●貝葉斯分析
●蒙特卡羅模擬
數據建模的目的是用簡單的方式描述數據的結構，使其易于理解和解釋。本質上，數據建模相當于指定一組變量之間的關系。下圖顯示了可以在 Mplus 中建模的關系類型。矩形表示觀察變量。觀察變量可以是結果變量或背景變量。背景變量稱為 x；連續和刪失結果變量稱為 y；二元、有序分類（序數）、無序分類（名義）和計數結果變量稱為 u。圓圈表示潛在變量。連續和分類潛在變量都是允許的。連續潛在變量稱為 f。分類潛變量被稱為 c。
圖中的箭頭表示變量之間的回歸關系。允許但未在圖中具體顯示的回歸關系包括觀察到的結果變量之間的回歸、連續潛變量之間的回歸以及分類潛變量之間的回歸。對于連續結果變量，使用線性回歸模型。對于刪失結果變量，使用刪失（tobit）回歸模型，在刪失點處有或沒有膨脹。對于二元和有序分類結果，使用 probit 或邏輯回歸模型。對于無序分類結果，使用多項邏輯回歸模型。對于計數結果，使用泊松和負二項回歸模型，在零點處有或沒有膨脹。
Mplus 中的模型可以包括連續潛變量、分類潛變量或連續和分類潛變量的組合。在上圖中，橢圓 A 描述僅具有連續潛變量的模型。橢圓 B 描述僅具有分類潛變量的模型。完整的建模框架描述了具有連續和分類潛變量組合的模型。上圖的 Within 和 Between 部分表示可以使用 Mplus 估計描述個體級別（內部）和集群級別（之間）變化的多層模型。
橢圓 A 描述僅具有連續潛在變量的模型。以下是可以使用 Mplus 估計的橢圓 A 中的模型：
回歸分析
路徑分析
探索性因子分析
驗證性因素分析
結構方程模型
增長模型
離散時間生存分析
連續時間生存分析
觀察到的結果變量可以是連續的、刪失的、二元的、有序分類（序數的）、無序分類（名義的）、計數的或這些變量類型的組合。
上述模型針對所有觀察到的結果變量類型具有以下特殊功能：
單組或多組分析
MCAR、MAR 和 NMAR 下以及多重插補下的缺失數據
復雜的調查數據特征，包括分層、聚類、不等選擇概率（抽樣權重）、亞群分析、重復權重和有限總體校正
使用最大似然法進行潛在變量相互作用和非線性因子分析
隨機斜率
觀察時間因人而異
線性和非線性參數約束
包括具體路徑在內的間接影響
所有結果類型的最大似然估計
Bootstrap 標準誤差和置信區間
參數相等性的 Wald 卡方檢驗
潛在變量的合理值
橢圓 B 描述僅具有分類潛在變量的模型。以下是可以使用 Mplus 估計的橢圓 B 中的模型：
回歸混合建模
路徑分析混合模型
潛在類別分析
具有協變量和直接效應的潛在類別分析
驗證性潛在類別分析
具有多個分類潛在變量的潛在類別分析
對數線性建模
潛變量分布的非參數建模
多組分析
有限混合建模
遵循者平均因果效應 (CACE) 模型
潛在轉移分析和隱馬爾可夫模型（包括混合和協變量）
潛在類別增長分析
離散時間生存混合分析
連續時間生存混合分析
觀察到的結果變量可以是連續的、刪失的、二元的、有序分類（序數）、無序分類（名義）、計數或這些變量類型的組合。上面列出的大多數特殊功能都適用于具有分類潛在變量的模型。以下特殊功能也可用：
<ul
使用基于后驗概率的多重插補檢驗潛在類別之間的均值相等性
潛在類別的合理值
