层次潜属性模型的可识别性
机器学习
2021-10-11 v4 机器学习
统计方法学
摘要
层次潜属性模型(HLAMs)是一类离散潜变量模型，在教育、心理与行为科学中正受到越来越多的关注。HLAM的关键要素包括一个二值结构矩阵和一个指定潜属性配置上层次约束的有向无环图。这些组件编码了研究者的设计信息并承载重要的科学意义。尽管HLAM广受欢迎，其基础的可识别性问题仍未被解决。属性层次图的存在导致参数空间退化，而可能未知的结构矩阵进一步使可识别性问题复杂化。本文解决识别HLAM底层潜结构与模型参数的问题。我们给出了充分必要的可识别性条件。这些结果直接且清晰地刻画了图中不同属性类型对可识别性所造成的不同影响。所提条件不仅为属性层次下的诊断测验设计提供见解，也作为评估已估计HLAM有效性的工具。
引用
@article{arxiv.1906.07869,
title = {Identifiability of Hierarchical Latent Attribute Models},
author = {Yuqi Gu and Gongjun Xu},
journal= {arXiv preprint arXiv:1906.07869},
year = {2021}
}