Latent Variable Modeling and Applications to Causality

این جلد مقالات داوری ارائه شده در کنفرانس UCLA در سال 1994 را در مورد "مدل سازی متغیر چادر و کاربرد در علیت" گردآوری می کند. این جلسه توسط برنامه بینبخشی UCLA در آمار با هدف گرد هم آوردن گروهی از افرادی که کارهای پیشرفته اخیر در این زمینه انجام داده اند. مقالات این مجلد نماینده طیف وسیعی از رشته‌ها هستند که در آنها استفاده از مدل‌های متغیر پنهان به سرعت در حال رشد است. جلد به دو بخش کلی تقسیم می شود. بخش اول مدل‌های مسیر و استدلال علّی را پوشش می‌دهد و مقاله‌ها نوآوری‌های مشارکت‌کنندگان در رشته‌هایی هستند که به طور سنتی با علوم رفتاری مرتبط نیستند، (مانند علوم کامپیوتر با Judea Pearl و بهداشت عمومی با جیمز رابینز). همچنین در این بخش، مشارکت‌های راد مک‌دونالد و مایکل سوبل وجود دارد که رویکرد سنتی‌تری به استنتاج علی دارند که از مشکلات علوم رفتاری ناشی می‌شود. بخش دوم شامل رویکردهای جدید به سؤالات انتخاب مدل با تأکید بر تحلیل عاملی و سیستم های متغیر زمان می باشد. Amemiya از تحلیل عاملی غیرخطی استفاده می کند که دارای مرتبه پیچیدگی بالاتری در ارتباط با شرایط شناسایی است. Muthen مدل های سلسله مراتبی طولی را با متغیرهای پنهان مطالعه می کند و بردار زمان را به عنوان یک متغیر به جای سطح سلسله مراتب در نظر می گیرد. Deleeuw مدل های تحلیل عاملی اکتشافی را با گنجاندن زمان به عنوان یک متغیر و اجازه دادن به متغیرهای نهفته گسسته و منظم گسترش می دهد. آرمینگر به ساختارهای خودرگرسیون نگاه می کند و باک مدل های تحلیل عاملی را برای داده های طبقه بندی می کند.

This volume gathers refereed papers presented at the 1994 UCLA conference on "La­ tent Variable Modeling and Application to Causality. " The meeting was organized by the UCLA Interdivisional Program in Statistics with the purpose of bringing together a group of people who have done recent advanced work in this field. The papers in this volume are representative of a wide variety of disciplines in which the use of latent variable models is rapidly growing. The volume is divided into two broad sections. The first section covers Path Models and Causal Reasoning and the papers are innovations from contributors in disciplines not traditionally associated with behavioural sciences, (e. g. computer science with Judea Pearl and public health with James Robins). Also in this section are contri­ butions by Rod McDonald and Michael Sobel who have a more traditional approach to causal inference, generating from problems in behavioural sciences. The second section encompasses new approaches to questions of model selection with emphasis on factor analysis and time varying systems. Amemiya uses nonlinear factor analysis which has a higher order of complexity associated with the identifiability condi­ tions. Muthen studies longitudinal hierarchichal models with latent variables and treats the time vector as a variable rather than a level of hierarchy. Deleeuw extends exploratory factor analysis models by including time as a variable and allowing for discrete and ordi­ nal latent variables. Arminger looks at autoregressive structures and Bock treats factor analysis models for categorical data.