Recovering Nonlinear Functions of Latent Variables: A Plausible-Value Neural Network Framework
恢复潜变量的非线性函数：合理值神经网络框架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：摘要讨论通用潜变量测量误差与非线性学习，未提供宏观因子或其他所列细分领域的直接依据。
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
恢复潜变量的非线性函数：合理值神经网络框架
- 研究问题
- 用因子得分替代真实潜变量时，非线性回归函数的形状能恢复到什么程度，其恢复能力与观测指标上的预测能力有何区别？
- 方法与思路
- 作者用Hermite多项式展开推导函数成分的衰减界，并将保留潜变量方差的后验抽样值与人工神经网络结合。
- 材料陈述的贡献
- 摘要称，模拟支持函数恢复与预测表现的分离：低信度非线性情形下，所提方法改善函数形状恢复，但未改善预测准确度。
- 阅读关注点
- 应核对衰减界所依赖的潜变量与测量模型条件、合理值生成方式，以及函数恢复指标与结果预测指标的具体定义。
- 阅读边界
- 这是arXiv第1版预印本，不能据此声称已同行评审或接收；摘要未详述理论条件，弱信号与测量模型误设下的适用范围需查全文。
原文摘要
When factor scores replace true latent scores in nonlinear prediction, measurement error attenuates the recoverable variance of any $k$th-order component of the regression function by $ρ^k$ -- the $k$th power of the score's coefficient of determination -- for any linear score type. This study derives the bound via Hermite polynomial expansion and proposes PV-ANN -- plausible values (posterior draws preserving latent variance) combined with artificial neural networks (learning functional form without prespecification). The bound governs recovery of the latent-scale function, not prediction of the outcome from observed indicators, for which factor scores are already sufficient; the two metrics are therefore predicted to dissociate. An 18-condition simulation supports both predictions: in the nonlinear low-reliability conditions PV-ANN closes about four fifths of the function-shape recovery gap between a factor-score learner and one given the true latent values, and the margin widens as reliability falls, while predictive accuracy is not improved, as the theory requires. A Big Five application illustrates the intended exploratory workflow and delineates boundary conditions under weak signal and measurement model misspecification.