Singular Value Decomposition of Probability Matrices: Probabilistic Aspects of Latent Dichotomous Variables
概率矩阵的奇异值分解：二值潜变量的概率性质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：摘要讨论一般类别变量的潜在条件独立表示，没有选择行为、效用结构或经济结构估计的明确文本依据。
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
概率矩阵的奇异值分解：二值潜变量的概率性质
- 研究问题
- 两个可观测类别变量之间的依赖，何时能够解释为潜变量所生成，并使它们在给定潜变量后条件独立，以及如何确定相关分布？
- 方法与思路
- 作者对表示偏离统计独立性的矩阵作奇异值分解，分析二值潜变量存在的条件，并提出识别潜变量分布及观测变量条件分布的技术。
- 材料陈述的贡献
- 摘要称给出实现条件独立的二值潜变量存在之充要条件，并提供相关分布的识别方法及概率性质讨论；唯一性范围未说明。
- 阅读关注点
- 应核对矩阵分解与概率非负约束如何衔接、二值潜变量的具体设定，以及存在性、分布识别和表示唯一性之间的区别。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；潜变量结构和识别条件未详述，类别观测与潜变量表示本身不构成离散选择或因果模型。
原文摘要
This paper gives a matrix approach to determine when a statistical dependence between two manifest categorical random variables can be viewed as generated by some unobserved latent variables, in the sense that the manifest variables are conditionally independent with respect to the latent variables. By the singular value decomposition of the matrix representing deviations from statistical independence of the two manifest variables, we give a necessary and sufficient condition for existence of dichotomous latent variables, which are ‘responsible’ for conditional independence. We give a technique for identifying the distributions of such latent variables and also the conditional distributions of the manifest variables given the latent variables. Finally, we discuss some probabilistic aspects.