面向多类型数据一因子测量模型的因果聚类
机器学习
2020-09-30 v1 机器学习
摘要
四元组约束是一个条件，其满足意味着协方差子矩阵的秩降低，并用于设计因果发现算法以检测潜在（未测量）变量的存在，例如 FOFC。最初这类算法仅适用于测量变量和潜在变量均为高斯且呈线性关系的情况（高斯-高斯情形）。已有研究表明，当测量变量和潜在变量均为二值变量时（二值-二值情形），一维潜在变量模型蕴含四元组约束。本文证明了当测量变量为混合数据类型时，以及当测量变量为离散而潜在共同原因为连续时，四元组约束同样可被蕴含，这意味着任何依赖该约束的聚类算法都可在这些情况下工作。每种情况均给出一个示例和证明。通过模拟研究展示了 FOFC 在混合数据上的表现，并与一些具有类似功能的算法进行了比较。
引用
@article{arxiv.2009.08606,
title = {Causal Clustering for 1-Factor Measurement Models on Data with Various Types},
author = {Shuyan Wang},
journal= {arXiv preprint arXiv:2009.08606},
year = {2020}
}