通过深度学习揭示不可观测变量：生成元素提取网络（GEEN）

Yingyao Hu; Yang Liu; Jiaxiong Yao

通过深度学习揭示不可观测变量：生成元素提取网络（GEEN）

机器学习 2022-10-05 v1 机器学习计量经济学

作者: Yingyao Hu , Yang Liu , Jiaxiong Yao

摘要

潜变量模型在科学研究中至关重要，其中如努力、能力、信念等关键变量在样本中未被观测但需被识别。本文提出一种新方法，用于估计随机样本中潜变量 $X^*$ 的实现值，该样本包含其多次测量。在给定 $X^*$ 条件下测量相互独立的 key 假设下，我们给出充分条件，使得样本中 $X^*$ 的实现值在一类偏差中局部唯一，从而可识别 $X^*$ 的实现值。据我们所知，本文首次在观测中提供此类识别。随后，我们以带与不带条件独立性两种概率密度间的Kullback-Leibler距离作为损失函数，训练生成元素提取网络（GEEN），将观测测量映射到样本中 $X^*$ 的实现值。模拟结果表明，所提估计器表现良好，估计值与 $X^*$ 的实现值高度相关。我们的估计器可应用于一大类潜变量模型，期望将改变人们处理潜变量的方式。

关键词

潜变量模型深度学习生成元素提取网络条件独立性 Kullback-Leibler距离识别模拟

引用

@article{arxiv.2210.01300,
  title  = {Revealing Unobservables by Deep Learning: Generative Element Extraction Networks (GEEN)},
  author = {Yingyao Hu and Yang Liu and Jiaxiong Yao},
  journal= {arXiv preprint arXiv:2210.01300},
  year   = {2022}
}

备注

19 pages, 6 figures

通过深度学习揭示不可观测变量：生成元素提取网络（GEEN）

摘要

关键词

引用

备注

相关论文