High Dimensional Semiparametric Latent Graphical Model for Mixed Data
混合数据的高维半参数潜在图模型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：摘要研究通用潜在条件独立图，未涉及经济网络互动或干扰效应，现有细分分类依据不足。
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
混合数据的高维半参数潜在图模型
- 研究问题
- 连续变量与二元变量共同出现时，如何利用观测数据推断潜在变量之间的条件独立关系，并估计其高维图结构？
- 方法与思路
- 作者提出潜在高斯 copula 模型，将二元观测视为潜在变量二分化的结果，并用统一的秩方法估计潜在相关矩阵。
- 材料陈述的贡献
- 摘要称建立了秩估计量的集中不等式，使精度矩阵估计与图恢复达到潜在变量可观测时的相同收敛速率。
- 阅读关注点
- 应核对二分化与 copula 模型的具体限制、集中不等式所需条件，以及图恢复对稀疏性和信号强度的要求。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体收敛条件、模拟表现和实际数据适配性；相同速率不意味着有限样本表现相同。
原文摘要
Summary We propose a semiparametric latent Gaussian copula model for modelling mixed multivariate data, which contain a combination of both continuous and binary variables. The model assumes that the observed binary variables are obtained by dichotomizing latent variables that satisfy the Gaussian copula distribution. The goal is to infer the conditional independence relationship between the latent random variables, based on the observed mixed data. Our work has two main contributions: we propose a unified rank-based approach to estimate the correlation matrix of latent variables; we establish the concentration inequality of the proposed rank-based estimator. Consequently, our methods achieve the same rates of convergence for precision matrix estimation and graph recovery, as if the latent variables were observed. The methods proposed are numerically assessed through extensive simulation studies, and real data analysis.