用于分类数据基于模型聚类的潜在特质分析器混合模型
统计方法学
2013-02-20 v2 统计计算
摘要
针对连续数据的基于模型聚类方法已相当成熟并广泛应用于各种场景。然而，针对分类数据的基于模型聚类方法则不够标准。潜在类别分析是用于二元数据和/或分类数据基于模型聚类的常用方法，但由于假设了局部独立结构，估计出的潜在类别可能与目标总体中的群体不对应。潜在特质分析器混合模型通过假设分类响应变量模型同时依赖于分类潜在类别和连续潜在特质变量，从而扩展了潜在类别分析；其中离散潜在类别容纳群体结构，而连续潜在特质容纳这些群体内部的依赖性。拟合潜在特质分析器混合模型可能具有挑战性，因为其似然函数涉及无法解析求值的积分。我们开发了一种变分方法来拟合潜在特质混合模型，这提供了一种高效的模型拟合策略。潜在特质分析器混合模型在国家长期护理调查 (NLTCS) 数据和美国国会投票数据的分析中得到了演示。结果表明，该模型能产生直观的聚类结果，且其拟合优度远优于单独的潜在类别分析或潜在特质分析。
引用
@article{arxiv.1301.2167,
title = {Mixture of Latent Trait Analyzers for Model-Based Clustering of Categorical Data},
author = {Isabella Gollini and Thomas Brendan Murphy},
journal= {arXiv preprint arXiv:1301.2167},
year = {2013}
}
备注
Accepted to appear in Statistics and Computing; Main paper and supplementary material