Measurement, Causation and Local Independence in Latent Variable Models

1997 ◽  
pp. 11-28 ◽  
Author(s):  
Michael E. Sobel
Keyword(s):  
Latent Variable ◽  
Latent Variable Models ◽  
Local Independence

Using and expanding hybrid latent variable models for modelling missing data and for discovering influential points

2014 ◽  
Author(s):  
Ευγενία Τσομπανάκη
Keyword(s):  
Missing Data ◽  
Latent Variable ◽  
Latent Variable Models ◽  
Limited Information ◽  
Local Independence ◽  
Influential Points ◽  
Response Propensity

Ο όρος Υβριδικός χρησιμοποιείται γενικά για να περιγράψει το μεικτό χαρακτήρα ενός αντικειμένου το οποίο αποτελείται από δύο στοιχεία. Τα Υβριδικά μοντέλα λανθανουσών μεταβλητών επιτρέπουν τον ορισμό δύο ή περισσοτέρων κλάσεων και δομές εντός των ομάδων οι οποίες καλύπτουν ένα μεγάλο εύρος από απλή ανεξαρτησία (local independence) έως σύνθετες σχέσεις μεταξύ των λανθανουσών μεταβλητών. Στο Κεφάλαιο 1 γίνεται αναφορά και σχολιασμός της βιβλιογραφίας στο πεδίο των Υβριδικών μοντέλων καθώς και λεπτομερής παρουσίαση της διαδικασίας εκτίμησης με χρήση του ΕΜ ενός Υβριδικού Hybrid 2LC/2PL-Hom μοντέλου. Ο συμβολισμός 2LC/2PL-Hom δηλώνει ένα μοντέλο για το οποίο οι απαντήσεις στα ερωτήματα προς απόκριση εξαρτώνται από μία διακριτή λανθάνουσα μεταβλητή η οποία διαιρεί τον πληθυσμό σε δύο ομάδες (2LC) και επιπλέον ότι οι απαντήσεις στα ερωτήματα σε μία από τις δύο αυτές ομάδες εξαρτώνται από μία συνεχή λανθάνουσα μεταβλητή. Η πιθανότητα απάντησης για αυτή την ομάδα δίνεται από το μοντέλο δύο παραμέτρων (2PL-IRT). Η άλλη ομάδα θεωρείται ομογενής (Homogeneous-Hom) χωρίς κάποια άλλη λανθάνουσα δομή. Η προσαρμογή του μοντέλου αποτελεί το αντικείμενο συζήτησης και έρευνας των επόμενων δύο κεφαλαίων. Τεστ τα οποία εμπεριέχουν όλη την πληροφορία (Overall tests) και μέρος της πληροφορίας (Limited-information tests) των δεδομένων παρουσιάζονται και διερευνάται η συμπεριφορά τους μέσω προσομοίωσης για το 2LC/2PL-Hom μοντέλο σε ότι αφορά την ισχύ και το σφάλμα Τύπου Ι. Έμφαση δίνεται στην περίπτωση των δεδομένων τα οποία είναι αραιά (sparse) και τα οποία συναντάμε συχνά στο πεδίο εφαρμογής των λανθανουσών μοντέλων. Ως μέτρο για το πόσο αραιά είναι τα δεδομένα χρησιμοποιείται το ποσοστό των αναμενόμενων συχνοτήτων οι οποίες είναι μικρότερες ή ίσες με 5. Στο Κεφάλαιο 4 προτείνεται η χρήση του Hybrid 2LC/2PL-2PL μοντέλου για δίτιμα δεδομένα με ελλιπείς παρατηρήσεις οι οποίες δεν έχουν προέλθει τυχαία (MNAR) κατά τη διαδικασία απόκρισης των υποκειμένων. Το μοντέλο αυτό θεωρεί ότι τα ελλιπή (μη παρατηρούμενα) δεδομένα εξαρτώνται από κάτι επιπλέον σε σχέση με τα παρατηρούμενα και κάτω από τις απαραίτητες υποθέσεις και περιορισμούς επιτρέπει τα ελλιπή δεδομένα να συμπεριληφθούν στην ανάλυση. Συγκεκριμένα σύμφωνα με το προτεινόμενο μοντέλο η τάση των ερωτώμενων να αποκριθούν (response propensity) σχετίζεται με τις συγκεκριμένες ομάδες στις οποίες διαιρείται ο πληθυσμός από τη διακριτή λανθάνουσα μεταβλητή, η οποία μετράται από ένα σύνολο δίτιμων ερωτήσεων οι οποίες υποβάλλονται στα υποκείμενα. Στο Κεφάλαιο 5 γίνεται ανίχνευση σημείων επιρροής για δίτιμα δεδομένα με ένα 2PL-IRT μοντέλο με κύριο στόχο τον εντοπισμό τυχόν περιπτώσεων όπου τα αποτελέσματα της προσαρμογής ενός τέτοιου μοντέλου είναι παραπλανητικά και το προσδιορισμό της πηγής αυτού του φαινομένου.

scholarly journals Aggressiveness as a latent personality trait of domestic dogs: testing local independence and measurement invariance

2017 ◽  
Author(s):  
Conor Goold ◽  
Ruth C. Newberry
Keyword(s):  
Personality Traits ◽  
Measurement Invariance ◽  
Personality Trait ◽  
Latent Variable ◽  
Structural Equation ◽  
Intraclass Correlation ◽  
Animal Personality ◽  
Latent Variable Models ◽  
Equation Model ◽  
Local Independence

AbstractStudies of animal personality attempt to uncover underlying or ‘latent’ personality traits that explain broad patterns of behaviour, often by applying latent variable statistical models (e.g. factor analysis) to multivariate data sets. Two integral, but infrequently confirmed, assumptions of latent variable models in animal personality are: i) behavioural variables are independent (i.e. uncorrelated) conditional on the latent personality traits they reflect (local independence), and ii) personality traits are associated with behavioural variables in the same way across individuals or groups of individuals (measurement invariance). We tested these assumptions using observations of aggression in four age classes (4 - 10 months, 10 months - 3 years, 3 - 6 years, over 6 years) of male and female shelter dogs (N = 4,743) in 11 different contexts. A structural equation model supported the hypothesis of two positively correlated personality traits underlying aggression across contexts: aggressiveness towards people and aggressiveness towards dogs (comparative fit index: 0.96; Tucker-Lewis index: 0.95; root mean square error of approximation: 0.03). Aggression across contexts was moderately repeatable (towards people: intraclass correlation coefficient (ICC) = 0.479; towards dogs: ICC = 0.303).However, certain contexts related to aggressiveness towards people (but not dogs) shared significant residual relationships unaccounted for by latent levels of aggressiveness.Furthermore, aggressiveness towards people and dogs in different contexts interacted with sex and age. Thus, sex and age differences in displays of aggression were not simple functions of underlying aggressiveness. Our results illustrate that the robustness of traits in latent variable models must be critically assessed before making conclusions about the effects of, or factors influencing, animal personality. Our findings are of concern because inaccurate ‘aggressive personality’ trait attributions can be costly to dogs, recipients of aggression and society in general.

Right-Wing Authoritarians Aren't Very Funny: RWA, Personality, and Creative Humor Production

2020 ◽  
Author(s):  
Paul Silvia ◽  
Alexander P. Christensen ◽  
Katherine N. Cotter
Keyword(s):  
Young Adults ◽  
Latent Variable ◽  
Latent Variable Models ◽  
Openness To Experience ◽  
Rasch Models ◽  
Right Wing ◽  
Right Wing Authoritarianism ◽  
Humor Appreciation ◽  
Negative Effect

Right-wing authoritarianism (RWA) has well-known links with humor appreciation, such as enjoying jokes that target deviant groups, but less is known about RWA and creative humor production—coming up with funny ideas oneself. A sample of 186 young adults completed a measure of RWA, the HEXACO-100, and 3 humor production tasks that involved writing funny cartoon captions, creating humorous definitions for quirky concepts, and completing joke stems with punchlines. The humor responses were scored by 8 raters and analyzed with many-facet Rasch models. Latent variable models found that RWA had a large, significant effect on humor production (β = -.47 [-.65, -.30], p < .001): responses created by people high in RWA were rated as much less funny. RWA’s negative effect on humor was smaller but still significant (β = -.25 [-.49, -.01], p = .044) after controlling for Openness to Experience (β = .39 [.20, .59], p < .001) and Conscientiousness (β = -.21 [-.41, -.02], p = .029). Taken together, the findings suggest that people high in RWA just aren’t very funny.

scholarly journals Looking behind the choice of organic: A cross-country analysis applying Integrated Choice and Latent Variable Models

Appetite ◽  
2021 ◽  
pp. 105591
Author(s):  
Ching-Hua Yeh ◽  
Monika Hartmann ◽  
Matthew Gorton ◽  
Barbara Tocco ◽  
Virginie Amilien ◽  
...  
Keyword(s):  
Latent Variable ◽  
Latent Variable Models ◽  
Country Analysis ◽  
Cross Country

scholarly journals Gaussian Processes Proxy Model with Latent Variable Models and Variogram-Based Sensitivity Analysis for Assisted History Matching

Energies ◽  
2020 ◽  
Vol 13 (17) ◽  
pp. 4290
Author(s):  
Dongmei Zhang ◽  
Yuyang Zhang ◽  
Bohou Jiang ◽  
Xinwei Jiang ◽  
Zhijiang Kang
Keyword(s):  
Sensitivity Analysis ◽  
Gaussian Processes ◽  
Latent Variable ◽  
History Matching ◽  
Latent Variable Models ◽  
High Dimensional ◽  
Model Parameters ◽  
Variable Model ◽  
Assisted History Matching ◽  
Proxy Models

Reservoir history matching is a well-known inverse problem for production prediction where enormous uncertain reservoir parameters of a reservoir numerical model are optimized by minimizing the misfit between the simulated and history production data. Gaussian Process (GP) has shown promising performance for assisted history matching due to the efficient nonparametric and nonlinear model with few model parameters to be tuned automatically. Recently introduced Gaussian Processes proxy models and Variogram Analysis of Response Surface-based sensitivity analysis (GP-VARS) uses forward and inverse Gaussian Processes (GP) based proxy models with the VARS-based sensitivity analysis to optimize the high-dimensional reservoir parameters. However, the inverse GP solution (GPIS) in GP-VARS are unsatisfactory especially for enormous reservoir parameters where the mapping from low-dimensional misfits to high-dimensional uncertain reservoir parameters could be poorly modeled by GP. To improve the performance of GP-VARS, in this paper we propose the Gaussian Processes proxy models with Latent Variable Models and VARS-based sensitivity analysis (GPLVM-VARS) where Gaussian Processes Latent Variable Model (GPLVM)-based inverse solution (GPLVMIS) instead of GP-based GPIS is provided with the inputs and outputs of GPIS reversed. The experimental results demonstrate the effectiveness of the proposed GPLVM-VARS in terms of accuracy and complexity. The source code of the proposed GPLVM-VARS is available at https://github.com/XinweiJiang/GPLVM-VARS.

scholarly journals Longitudinal Analysis of Patient-Reported Outcomes in Clinical Trials: Applications of Multilevel and Multidimensional Item Response Theory

Psychometrika ◽  
2021 ◽  
Author(s):  
Li Cai ◽  
Carrie R. Houts
Keyword(s):  
Clinical Trial ◽  
Clinical Trials ◽  
Latent Variable ◽  
Patient Reported Outcomes ◽  
Multilevel Models ◽  
Latent Variable Models ◽  
Trial Data ◽  
Regulatory Science ◽  
Measurement Information ◽  
Patient Reported

AbstractWith decades of advance research and recent developments in the drug and medical device regulatory approval process, patient-reported outcomes (PROs) are becoming increasingly important in clinical trials. While clinical trial analyses typically treat scores from PROs as observed variables, the potential to use latent variable models when analyzing patient responses in clinical trial data presents novel opportunities for both psychometrics and regulatory science. An accessible overview of analyses commonly used to analyze longitudinal trial data and statistical models familiar in both psychometrics and biometrics, such as growth models, multilevel models, and latent variable models, is provided to call attention to connections and common themes among these models that have found use across many research areas. Additionally, examples using empirical data from a randomized clinical trial provide concrete demonstrations of the implementation of these models. The increasing availability of high-quality, psychometrically rigorous assessment instruments in clinical trials, of which the Patient-Reported Outcomes Measurement Information System (PROMIS®) is a prominent example, provides rare possibilities for psychometrics to help improve the statistical tools used in regulatory science.

scholarly journals Latent Variable Models and Networks: Statistical Equivalence and Testability

2019 ◽  
pp. 1-24 ◽  
Author(s):  
Riet van Bork ◽  
Mijke Rhemtulla ◽  
Lourens J. Waldorp ◽  
Joost Kruis ◽  
Shirin Rezvanifar ◽  
...  
Keyword(s):  
Latent Variable ◽  
Latent Variable Models ◽  
Statistical Equivalence
Sign in / Sign up

Export Citation Format

Share Document