基于潜在类别方法的条目选择
应用统计
2014-07-16 v1
摘要
养老院的评估通常基于包含大量多分类条目的问卷调查管理。在此背景下，潜在类别（LC）模型是一种有用的工具，可将受试者聚类为对应于不同健康状况受损程度的同质组。众所周知，基于模型的聚类性能以及潜在类别数量选择的准确性可能会受到无关变量或噪声变量存在的影响。在本文中，我们展示了条目选择算法在名为 ULISSE 的项目所收集的真实数据中的应用，该项目关注居住在意大利养老院的老年患者的生活质量。该算法与 Dean 和 Raftery 于 2010 年提出的算法密切相关，旨在根据贝叶斯信息准则找到提供最佳聚类的条目子集。同时，它允许我们选择最佳的潜在类别数量。鉴于 ULISSE 研究的复杂性，我们通过对初始条目子集的不同规范进行敏感性分析以及重采样程序，对结果进行了验证。
引用
@article{arxiv.1407.3912,
title = {Item selection by Latent Class-based methods},
author = {Francesco Bartolucci and Giorgio E. Montanari and Silvia Pandolfi},
journal= {arXiv preprint arXiv:1407.3912},
year = {2014}
}