論文の概要: Covariance-Based Structural Equation Modeling in Small-Sample Settings with $p>n$
- arxiv url: http://arxiv.org/abs/2604.16894v1
- Date: Sat, 18 Apr 2026 08:03:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.223575
- Title: Covariance-Based Structural Equation Modeling in Small-Sample Settings with $p>n$
- Title（参考訳）: p>n$の小さなサンプル設定における共分散に基づく構造方程式モデリング
- Authors: Hiroki Hasegawa, Aoba Tamura, Yukihiko Okada,
- Abstract要約: 本稿では,共分散構造を自己共分散成分と相互共分散成分に再構成する新しい推定原理を提案する。
結果として得られるフレームワークは、相対的なエラー制約と組み合わされた可能性ベースの実現可能なセットを定義し、小さなサンプル設定で安定した推定を可能にする。
合成および実世界のデータに関する実験では、安定性が向上し、特に構造パラメータの符号と方向が回復した。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Factor-based Structural Equation Modeling (SEM) relies on likelihood-based estimation assuming a nonsingular sample covariance matrix, which breaks down in small-sample settings with $p>n$. To address this, we propose a novel estimation principle that reformulates the covariance structure into self-covariance and cross-covariance components. The resulting framework defines a likelihood-based feasible set combined with a relative error constraint, enabling stable estimation in small-sample settings where $p>n$ for sign and direction. Experiments on synthetic and real-world data show improved stability, particularly in recovering the sign and direction of structural parameters. These results extend covariance-based SEM to small-sample settings and provide practically useful directional information for decision-making.
- Abstract（参考訳）: 因子に基づく構造方程式モデリング(SEM)は、非特異なサンプル共分散行列が$p>n$の小さなサンプル設定で分解されるという確率に基づく推定に依存する。
そこで本研究では,共分散構造を自己共分散成分と相互共分散成分に再構成する新しい推定原理を提案する。
得られたフレームワークは、相対的なエラー制約と組み合わされた可能性ベースの実現可能なセットを定義し、$p>n$で符号と方向を指定できる小さなサンプル設定で安定した推定を可能にする。
合成および実世界のデータに関する実験では、安定性が向上し、特に構造パラメータの符号と方向が回復した。
これらの結果は、共分散に基づくSEMを小さなサンプル設定に拡張し、意思決定に実用的な方向情報を提供する。
関連論文リスト
- Probabilistic Variational Contrastive Learning [8.23660331371415]
我々は,エビデンスローバウンド(ELBO)を最大化するデコーダフリーフレームワークを提案する。
約$q_theta(z|x)$を投影正規分布としてモデル化し、確率的埋め込みのサンプリングを可能にする。
論文 参考訳（メタデータ） (2025-06-11T20:26:07Z) - Principal Component Analysis When n < p: Challenges and Solutions [0.0]
主成分分析は高次元データの複雑さを軽減するための重要な手法である。
標準主成分分析は高次元シナリオにおける次元還元手法として不十分に機能する。
本稿では,ペア差分共分散推定と呼ばれる新しい推定法を提案する。
論文 参考訳（メタデータ） (2025-03-21T22:33:52Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Structural Entropy Guided Probabilistic Coding [52.01765333755793]
構造エントロピー誘導型確率的符号化モデルSEPCを提案する。
我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。
分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
論文 参考訳（メタデータ） (2024-12-12T00:37:53Z) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Environment Invariant Linear Least Squares [16.831875263656027]
本稿では,複数の実験環境からのデータを収集する多環境線形回帰モデルについて考察する。
線形最小二乗回帰のマルチ環境バージョンである、新しい環境不変線形最小二乗関数(EILLS)を構築する。
論文 参考訳（メタデータ） (2023-03-06T13:10:54Z) - Instance-optimality in optimal value estimation: Adaptivity via
variance-reduced Q-learning [99.34907092347733]
本稿では,マルコフ決定過程における最適な$Q$値関数を離散状態と動作で推定する問題を解析する。
局所的なミニマックスフレームワークを用いて、この関数は任意の推定手順の精度の低い境界に現れることを示す。
他方,Q$ラーニングの分散還元版を解析することにより,状態と行動空間の対数的要因まで,下位境界のシャープさを確立する。
論文 参考訳（メタデータ） (2021-06-28T00:38:54Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。