Dependent Latent Class Models
允许条件依赖的潜在类别模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是一般类别数据聚类，未明确建模个体选择行为，时间序列也仅作为应用场景提及。
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
允许条件依赖的潜在类别模型
- 研究问题
- 论文研究传统潜在类别模型的条件独立假设过强时，如何对多变量类别数据聚类，并减少模型误设和过度参数化问题。
- 方法与思路
- 作者构建允许类内条件依赖的贝叶斯潜在类别模型，验证其可识别性，并通过模拟及实际应用与传统潜在类别模型比较。
- 材料陈述的贡献
- 摘要称，依赖潜在类别模型具有可识别性，在涉及时间序列、重叠项目和结构性零值的应用中，相较传统模型表现有效。
- 阅读关注点
- 应核对类内依赖的参数化方式、可识别性成立条件、类别数和先验选择，以及模拟与实际应用中衡量有效性的指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出可识别性条件或性能数值，类别数据聚类本身不构成离散选择分析。
原文摘要
Latent Class Models (LCMs) are used to cluster multivariate categorical data (e.g. group participants based on survey responses). Traditional LCMs assume a property called conditional independence. This assumption can be restrictive, leading to model misspecification and overparameterization. To combat this problem, we developed a novel Bayesian model called a Dependent Latent Class Model (DLCM), which permits conditional dependence. We verify identifiability of DLCMs. We also demonstrate the effectiveness of DLCMs in both simulations and real-world applications. Compared to traditional LCMs, DLCMs are effective in applications with time series, overlapping items, and structural zeroes.