Combining Graphical and Algebraic Approaches for Parameter Identification in Latent Variable Structural Equation Models
结合图形与代数方法识别潜变量结构方程模型参数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：摘要直接讨论潜变量结构方程模型的参数识别及部分方程估计，支持结构估计方向，未提供其他应用领域依据。
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…
结合图形与代数方法识别潜变量结构方程模型参数
- 研究问题
- 存在测量误差和潜变量时，如何识别结构方程模型中的部分参数，并使已有图形识别准则能够处理潜变量的测量结构？
- 方法与思路
- 作者将模型隐含工具变量方法的潜变量到观测变量变换转为图形操作，再结合图形工具变量准则构造非迭代参数识别算法。
- 材料陈述的贡献
- 摘要称，图形变换与工具变量集合准则的结合等价于现有模型隐含工具变量方法，并可借助其他图形准则获得新的识别策略。
- 阅读关注点
- 核对图形变换适用的模型限制、工具变量集合准则及等价性证明范围，尤其关注整体模型未识别时哪些单独参数仍可识别。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明具体模型条件、算法复杂度及新策略适用范围，不能断言所有参数可识别。
原文摘要
Measurement error is ubiquitous in many variables - from blood pressure recordings in physiology to intelligence measures in psychology. Structural equation models (SEMs) account for the process of measurement by explicitly distinguishing between latent variables and their measurement indicators. Users often fit entire SEMs to data, but this can fail if some model parameters are not identified. The model-implied instrumental variables (MIIVs) approach is a more flexible alternative that can estimate subsets of model parameters in identified equations. Numerous methods to identify individual parameters also exist in the field of graphical models (such as DAGs), but many of these do not account for measurement effects. Here, we take the concept of "latent-to-observed" (L2O) transformation from the MIIV approach and develop an equivalent graphical L2O transformation that allows applying existing graphical criteria to latent parameters in SEMs. We combine L2O transformation with graphical instrumental variable criteria to obtain an efficient algorithm for non-iterative parameter identification in SEMs with latent variables. We prove that this graphical L2O transformation with the instrumental set criterion is equivalent to the state-of-the-art MIIV approach for SEMs, and show that it can lead to novel identification strategies when combined with other graphical criteria.