Conditional Association and Unidimensionality in Monotone Latent Variable Models
单调潜变量模型中的条件关联与单维性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：摘要研究一般测量与潜变量依赖结构，未明确涉及所列宏观因子或经济选择模型。
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
单调潜变量模型中的条件关联与单维性
- 研究问题
- 标量潜变量、条件独立与随机单调性共同对可观测变量的依赖结构施加什么限制，能否据此检验模型适配性？
- 方法与思路
- 作者研究单调单维潜变量模型，推导其蕴含的条件正关联，并讨论将该依赖条件用于观测数据的适配检验。
- 材料陈述的贡献
- 摘要称该模型类均蕴含一种较强的正依赖形式，即条件正关联，并讨论相关应用、推广及一个数值例子。
- 阅读关注点
- 应核对随机递增和条件正关联的精确定义、必要限制如何形成可操作检验，以及该限制是否足以支持模型拟合。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；未说明具体检验程序，不能将满足正关联视为模型正确或潜变量已识别。
原文摘要
Latent variable models represent the joint distribution of observable variables in terms of a simple structure involving unobserved or latent variables, usually assuming the conditional independence of the observable variables given the latent variables. These models play an important role in educational measurement and psychometrics, in sociology and in population genetics, and are implicit in some work on systems reliability. We study a broad class of latent variable models, namely the monotone unidimensional models, in which the latent variable is a scalar, the observable variables are conditionally independent given the latent variable and the conditional distribution of the observables given the latent variable is stochastically increasing in the latent variable. All models in this class imply a new strong form of positive dependence among the observable variables, namely conditional (positive) association. This positive dependence condition may be used to test whether any model in this class can provide an adequate fit to observed data. Various applications, generalizations and a numerical example are discussed.