Combining Conditional Log-Linear Structures
条件对数线性结构的组合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：摘要研究分类数据的条件独立图和对数线性模型，未提供经济网络、离散选择行为或干扰效应的依据。
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
条件对数线性结构的组合
- 研究问题
- 当稀疏分类数据或数据收集限制只能支持局部模型时，如何由条件对数线性结构获取整体结构的信息并组合模型？
- 方法与思路
- 作者针对交叉分类数据，从条件对数线性模型提取整体结构的部分信息，并在整体模型具有图结构的假设下进行选择。
- 材料陈述的贡献
- 摘要称，论文给出从条件结构推导整体结构信息及选择图模型的方法，并用基于认知心理学学习问题的模拟数据说明。
- 阅读关注点
- 应核对条件结构之间的相容性、整体图模型假设及可恢复信息的范围，特别是整体结构是否存在或能否唯一确定。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明恢复条件、选择准则与唯一性，条件独立图也不等于经济互动网络。
原文摘要
Graphical models offer simple and intuitive interpretations in terms of conditional independence relationships, and these are especially valuable when large numbers of variables are involved. In some settings, restrictions on experiments and other forms of data collection may result in our being able to estimate only parts of a large graphical model; for example, when the data in a large contingency table are extremely sparse. In other settings, we might use a model building strategy that constructs component pieces first, and then tries to combine those pieces into a larger model. In this article we address this problem of combining component models in the context of cross-classified categorical data, and we show how to derive partial information about an underlying log-linear structure from its conditional log-linear structures and then how to use this information to choose a log-linear structure under the assumption that it is graphical. We illustrate the results using a simulated dataset based on a problem arising in cognitive psychology applied to learning.