滞后序列分析（lag sequential analysis，LSA）用于分析行为序列数据中的局部转移关系，即某种行为发生后，另一种行为是否比基准情况下更容易出现。与仅统计转移次数的转移矩阵相比，LSA进一步比较实际观察到的转移频数与在行为相互独立假定下的期望频数，从而判断某种行为之间的转移是否明显高于或低于基准水平。例如，如果用户执行行为A之后经常出现行为B，仅观察A->B的次数还不能说明A与B之间存在特殊的转移关系，因为B本身可能就是一种高频行为。LSA会考虑各行为自身的出现频率，判断A之后出现B的频率是否高于根据这些基础频率所预期的水平。
LSA中的滞后（lag）表示目标行为相对于前一个行为的位置。Lag 1表示考察某行为之后紧接着出现的下一个行为，Lag 2表示考察其后的第二个行为，以此类推。分析结果通常包括行为之间的转移概率、调整残差及其显著性等。转移概率描述某行为发生后另一行为出现的比例；调整残差则用于比较观察转移频数与期望频数。显著的正向调整残差表示该转移比基准情况下更常出现，显著的负向调整残差表示该转移比预期更少出现。
滞后序列分析可以使用GSEQ等软件实现，适合识别行为之间的局部转移特征。如果研究问题关注参试者完整任务路径的组成、复杂程度或不同完整序列之间的差异，则应进一步采用序列分析等方法。