論文の概要: When Is a General Factor Distinguishable? Non-Proportionality, Stable Structure, and the Bifactor Decision
- arxiv url: http://arxiv.org/abs/2608.10731v1
- Date: Tue, 11 Aug 2026 09:46:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.998864
- Title: When Is a General Factor Distinguishable? Non-Proportionality, Stable Structure, and the Bifactor Decision
- Title（参考訳）: 一般因子の区別はいつ可能か? 非比例性, 安定構造, 両因子決定
- Abstract要約: 識別可能性(distinguishability)は、K$-factorクラスへの人口距離によって測定される。
4つの経験的データセットは、可能な結果を示している。
- 参考スコア（独自算出の注目度）: 2.1494179586067537
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Whether an additional general dimension is necessary beyond correlated first-order factors is a property of the population covariance matrix, not of any estimator or design. This research establishes when that property can be decided. Where the general and group loadings are proportional within every cluster the bifactor structure is covariance-equivalent to correlated factors, so no sample size separates them (Proposition 1); where that proportionality fails in every cluster, three items per cluster and some mild regularities leave no $K$-factor model with diagonal uniquenesses able to reproduce the covariance matrix (Theorem 1); and between them lies a mixed boundary, located numerically here and turning on cluster resistance. Distinguishability is therefore graded, measured by the population distance to the $K$-factor class. Because that question is conditional on a first-order structure which is itself uncertain, a two-step procedure is developed within partially exploratory factor analysis, delivering a structure only when it reproduces across adjacent counts and treating non-delivery as legitimate. Simulation shows that a unanimous count can accompany a structure that fails to reproduce, and that absorbed local dependence can imitate a general factor, the error growing with sample size while stability indicators stay clean. Four empirical datasets illustrate the possible outcomes.
- Abstract（参考訳）: 相関する一階因子を超える追加の一般次元が必要かどうかは、人口共分散行列の性質であって、推定器や設計ではない。
この研究は、いつその性質が決定できるかを定めている。
一般および群ローディングがすべてのクラスタ内で比例するならば、双因子構造は相関因子と等価であるので、サンプルサイズが分離することはない(命題1); クラスタ毎に比例が失敗し、クラスタ毎に3つの項目が成立し、いくつかの軽度正規性は、共分散行列を再現できる対角的な特異性を持つK$-factorモデルを残しない(定理1)。
したがって、区別性は、K$-factorクラスへの集団距離によって測定される。
この問題は、それ自体が不確実な一階構造に条件づけられているため、部分的に探索的因子分析において、2段階の手順が開発され、隣接するカウントをまたいで複製し、非配信を正当として扱う場合にのみ構造が提供される。
シミュレーションにより、全数の数値は再生に失敗する構造に付随し、吸収された局所依存は一般的な因子を模倣し、安定性指標がクリーンなままサンプルサイズで増大する。
4つの経験的データセットは、可能な結果を示している。
関連論文リスト
- Causal inference for group-contaminated structured outcomes: observable quotients, lossless reduction and exact randomization inference [0.0]
制限のない観測モデル X = について検討する。
Y(A)はその観測可能な情報を特徴付ける。
商-忠実復元定理は、完全変換実験には商還元が十分であることを示す。
論文 参考訳（メタデータ） (2026-08-12T11:39:50Z) - The Resolution of Causal Heterogeneity [5.222979968110479]
因果部分群分析はしばしば、その数がよく定義された推定値であるかのように、治療効果の不均一性を要約する少数の群を報告する。
我々はこれを新しい人口推定法、解像度プロファイル、因果的特徴法の機能に置き換える。
推論は、1つの構造化モーメントプロセスのために、1つのクロスフィットベイズ・ブートストラップ後部を中心に構成される。
論文 参考訳（メタデータ） (2026-07-19T14:56:06Z) - Topological Ignorability for Structural Causal Effects Beyond Means [0.0]
介入は平均よりも結果分布の構造を変化させる。
平均治療効果のような平均的な因果推定は重要な構造的効果を欠く可能性がある。
本稿では,介入結果法則の要約に基づくトポロジカル・幾何学的因果指標を提案する。
論文 参考訳（メタデータ） (2026-05-31T11:56:53Z) - Distributional Equivalence in Linear Non-Gaussian Latent-Variable Cyclic Causal Models: Characterization and Learning [13.891913455492697]
我々は、一般の、構造的前提のないアプローチに対する中核的な障害は、同値なキャラクタリゼーションの欠如であると主張する。
このアプローチの鍵となるのは、エッジレベルの制約という新しいツールです。
論文 参考訳（メタデータ） (2026-03-05T03:57:14Z) - Transformers learn factored representations [62.86679034549244]
トランスフォーマーは次のトークン予測を通じて事前訓練を受け、自分の世界を部品に分解する。
1) すべての因子の積空間における表現であり、その次元は成分の数とともに指数関数的に増加する。
我々は,部分空間の数,次元,文脈埋め込みの配置など,各活性化の幾何学的構造に関する正確な予測を導出する。
このことは、トランスフォーマーがなぜ世界を部品に分解するかを原理的に説明し、複雑なデータで訓練されたモデルでも解釈可能な低次元構造が持続する可能性があることを示唆している。
論文 参考訳（メタデータ） (2026-02-02T17:49:06Z) - Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。
我々は,特定の方法で構築された観測変数の高次累積行列を併用する。
これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
論文 参考訳（メタデータ） (2025-10-26T15:10:00Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳（メタデータ） (2023-01-19T18:39:48Z) - Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。
本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
論文 参考訳（メタデータ） (2022-10-13T20:46:42Z) - A Distance Covariance-based Kernel for Nonlinear Causal Clustering in
Heterogeneous Populations [1.2763567932588586]
本稿では,異なるサンプルの非線形因果構造間の類似性を測定するために,距離共分散に基づくカーネルを提案する。
このカーネルはクラスタリングを行い、同種サブポピュレーションを識別する。
遺伝子学の応用による因果的クラスタリングにカーネルを用いることで、測定された遺伝子発現レベルを調節する潜伏転写因子ネットワークを解明することができる。
論文 参考訳（メタデータ） (2021-06-07T10:16:34Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
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。