Binary Models for Marginal Independence
边际独立性的二元变量模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究二元列联表的统计独立结构，未涉及经济离散选择或网络互动机制。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
边际独立性的二元变量模型
- 研究问题
- 传统图形对数线性模型主要表达条件独立，如何为二元列联表建立能直接描述边际独立关系的模型与估计方法？
- 方法与思路
- 作者借鉴多元高斯边际独立模型，用双向图表示二元变量关系，提出参数化方式及迭代条件拟合的极大似然算法。
- 材料陈述的贡献
- 摘要称构建了二元列联表边际独立模型类，给出简单参数化与极大似然估计办法，并进一步考虑与对称性限制结合。
- 阅读关注点
- 应核对图结构与边际独立约束的对应关系、参数空间限制、极大似然算法的收敛与解的存在性，以及对称约束处理。
- 阅读边界
- 摘要未说明模型可表达哪些全部独立结构、估计算法的具体保证或数据表现；双向图也不能直接解释为因果或社会网络。
原文摘要
Summary Log-linear models are a classical tool for the analysis of contingency tables. In particular, the subclass of graphical log-linear models provides a general framework for modelling conditional independences. However, with the exception of special structures, marginal independence hypotheses cannot be accommodated by these traditional models. Focusing on binary variables, we present a model class that provides a framework for modelling marginal independences in contingency tables. The approach that is taken is graphical and draws on analogies with multivariate Gaussian models for marginal independence. For the graphical model representation we use bidirected graphs, which are in the tradition of path diagrams. We show how the models can be parameterized in a simple fashion, and how maximum likelihood estimation can be performed by using a version of the iterated conditional fitting algorithm. Finally we consider combining these models with symmetry restrictions.