Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô Hình Copula Cây Yếu Tố Cho Dữ Liệu Phản Hồi Mặt Hàng
Tóm tắt
Các mô hình copula yếu tố cho dữ liệu phản hồi mặt hàng thì dễ hiểu hơn và phù hợp hơn so với các mô hình copula vine (cắt ngắn) khi sự phụ thuộc có thể được giải thích thông qua các biến tiềm ẩn, nhưng chúng không chắc chắn với các vi phạm độc lập điều kiện. Để vượt qua những vấn đề này, các mô hình vine cắt ngắn và mô hình copula yếu tố cho dữ liệu phản hồi mặt hàng được kết hợp để định nghĩa một mô hình kết hợp, được gọi là mô hình copula cây yếu tố, với những lợi ích riêng từ mỗi một trong hai phương pháp. Thay vì thêm các yếu tố và gây ra các vấn đề tính toán cũng như khó khăn trong giải thích và xác định, một cấu trúc vine cắt ngắn được giả định trên các phần dư có điều kiện dựa trên một hoặc hai biến tiềm ẩn. Cấu trúc này có thể được giải thích tốt hơn như một sự phụ thuộc có điều kiện với một vài biến tiềm ẩn có thể giải thích. Một mặt, đặc điểm tiết kiệm của các mô hình yếu tố vẫn được bảo tồn và bất kỳ sự phụ thuộc phần dư nào cũng được xem xét ở mặt khác. Chúng tôi thảo luận về ước lượng cũng như việc chọn lựa mô hình. Đặc biệt, chúng tôi đề xuất các thuật toán chọn lựa mô hình để chọn một mô hình copula cây yếu tố hợp lý nhằm nắm bắt sự phụ thuộc (phần dư) giữa các phản hồi mặt hàng. Phương pháp luận chung của chúng tôi được chứng minh qua một nghiên cứu mô phỏng rộng và được minh họa bằng cách phân tích Rối loạn Stress Sau Chấn Thương.
Từ khóa
#mô hình copula yếu tố #dữ liệu phản hồi mặt hàng #phụ thuộc #chọn lựa mô hình #Rối loạn Stress Sau Chấn ThươngTài liệu tham khảo
Armour, C., Fried, E. I., Deserno, M. K., Tsai, J., & Pietrzak, R. H. (2017). A network analysis of DSM-5 posttraumatic stress disorder symptoms and correlates in U.S. military veterans. Journal of Anxiety Disorders, 45, 49–59.
Bartholomew, D. J., Knott, M., Moustaki, I. (2011). Latent variable models and factor analysis: A unified approach. Wiley Series in Probability and Statistics. Wiley.
Bedford, T., & Cooke, R. (2001). Probability density decomposition for conditionally dependent random variables modeled by vines. Annals of Mathematics and Artificial Intelligence, 32(1), 245–268.
Bedford, T., & Cooke, R. M. (2002). Vines-a new graphical model for dependent random variables. The Annals of Statistics, 30(4), 1031–1068.
Braeken, J. (2011). A boundary mixture approach to violations of conditional independence. Psychometrika, 76(1), 57–76.
Braeken, J., Kuppens, P., Boeck, P. D., & Tuerlinckx, F. (2013). Contextualized personality questionnaires: A case for copulas in structural equation models for categorical data. Multivariate Behavioral Research, 48(6), 845–870.
Braeken, J., Tuerlinckx, F., & De Boeck, P. (2007). Copula functions for residual dependency. Psychometrika, 72(3), 393–411.
Brechmann, E. C., Czado, C., & Aas, K. (2012). Truncated regular vines in high dimensions with application to financial data. Canadian Journal of Statistics, 40(1), 68–85.
Brechmann, E. C., & Joe, H. (2014). Parsimonious parameterization of correlation matrices using truncated vines and factor analysis. Computational Statistics & Data Analysis, 77, 233–251.
Chang, B., & Joe, H. (2019). Prediction based on conditional distributions of vine copulas. Computational Statistics & Data Analysis, 139, 45–63.
Chen, W.-H., & Thissen, D. (1997). Local dependence indexes for item pairs using item response theory. Journal of Educational and Behavioral Statistics, 22(3), 265–289.
Gronneberg, S., & Foldnes, N. (2017). Covariance model simulation using regular vines. Psychometrika, 82(4), 1035–1051.
Gronneberg, S., Foldnes, N., & Marcoulides, K. M. (2022). covsim: An R package for simulating non-normal data for structural equation models using copulas. Journal of Statistical Software, 102, 1–45.
Joe, H. (1996). Families of \(m\)-variate distributions with given margins and \(m(m-1)/2\) bivariate dependence parameters. In Rüschendorf, L., Schweizer, B., and Taylor, M. D., editors, Distributions with fixed marginals and related topics, volume 28, pp. 120–141, Hayward, CA. Institute of Mathematical Statistics, Institute of Mathematical Statistics.
Joe, H. (1997). Multivariate models and dependence concepts. London: Chapman & Hall.
Joe, H. (2005). Asymptotic efficiency of the two-stage estimation method for copula-based models. Journal of Multivariate Analysis, 94, 401–419.
Joe, H. (2014). Dependence modelling with copulas. Chapman and Hall/CRC.
Joe, H. (2018). Parsimonious graphical dependence models constructed from vines. Canadian Journal of Statistics, 46(4), 532–555.
Joe, H., Li, H., & Nikoloulopoulos, A. K. (2010). Tail dependence functions and vine copulas. Journal of Multivariate Analysis, 101(1), 252–270.
Kadhem, S. H., & Nikoloulopoulos, A. K. (2021). Factor copula models for mixed data. British Journal of Mathematical and Statistical Psychology, 74(3), 365–403.
Kadhem, S. H., & Nikoloulopoulos, A. K. (2023a). Bi-factor and second-order copula models for item response data. Psychometrika, 88, 132–157.
Kadhem, S. H., & Nikoloulopoulos, A. K. (2023b). FactorCopula: Factor, bi-factor, second-order and factor tree copula models. R package version 0.9.3. http://CRAN.R-project.org/package=FactorCopula.
Krupskii, P., & Joe, H. (2013). Factor copula models for multivariate data. Journal of Multivariate Analysis, 120, 85–101.
Kurowicka, D., & Cooke, R. (2006). Uncertainty analysis with high dimensional dependence modelling. Chichester: Wiley.
Kurowicka, D., & Joe, H. (2011). Dependence modeling: Vine copula handbook. Singapore: World Scientific.
Maydeu-Olivares, A. (2006). Limited information estimation and testing of discretised multivariate normal structural models. Psychometrika, 71, 57–77.
McDonald, R. P. (1997). Normal ogive multidimensional model. In W. J. van der Linden & R. K. Hambleton (Eds.), Handbook of modern item response theory. New York: Springer.
McNeil, A. J., Frey, R., & Embrechts, P. (2005). Quantitative risk management: Concepts. Techniques and Tools: Princeton University Press, Princeton, NJ.
McNeil, A. J., & Nešlehová, J. (2009). Multivariate Archimedean copulas, \(d\)-monotone functions and \(L_1\)-norm symmetric distributions. Annals of Statistics, 37, 3059–3097.
Muthén, B. (1978). Contributions to factor analysis of dichotomous variables. Psychometrika, 43(4), 551–560.
Nash, J. (1990). Compact numerical methods for computers: Linear algebra and function minimisation (2nd ed.). New York: Hilger.
Nikoloulopoulos, A. K. (2013). Copula-based models for multivariate discrete response data. In Durante, F., Härdle, W., Jaworski, P., (Eds) Copulae in Mathematical and Quantitative Finance, vol. 213, pp. 231–249, Berlin, Heidelberg. Springer.
Nikoloulopoulos, A. K., & Joe, H. (2015). Factor copula models for item response data. Psychometrika, 80, 126–150.
Nikoloulopoulos, A. K., Joe, H., & Li, H. (2012). Vine copulas with asymmetric tail dependence and applications to financial return data. Computational Statistics & Data Analysis, 56, 3659–3673.
Nikoloulopoulos, A. K., & Karlis, D. (2008). Copula model evaluation based on parametric bootstrap. Computational Statistics & Data Analysis, 52, 3342–3353.
Olsson, F. (1979). Maximum likelihood estimation of the polychoric correlation coefficient. Psychometrika, 44, 443–460.
Panagiotelis, A., Czado, C., & Joe, H. (2012). Pair copula constructions for multivariate discrete data. Journal of the American Statistical Association, 107, 1063–1072.
Prim, R. C. (1957). Shortest connection networks and some generalizations. The Bell System Technical Journal, 36(6), 1389–1401.
Samejima, F. (1969). Calibration of latent ability using a response pattern of graded scores. Psychometrika Monograph Supplement, 17.
Sireci, S. G., Thissen, D., & Wainer, H. (1991). On the reliability of testlet-based tests. Journal of Educational Measurement, 28(3), 237–247.
Sklar, A. (1959). Fonctions de répartition à \(n\) dimensions et leurs marges. Publications de l’Institut de Statistique de l’Université de Paris, 8, 229–231.
Stroud, A., & Secrest, D. (1966). Gaussian quadrature formulas. Englewood Cliffs, NJ: Prentice-Hall.
Vuong, Q. H. (1989). Likelihood ratio tests for model selection and non-nested hypotheses. Econometrica, 57(2), 307–333.
Williams, D. and Mulder, J. (2020). BGGM: Bayesian Gaussian graphical models. R package version 1.0.0. http://CRAN.R-project.org/package=BGGM.
Yen, W. M. (1993). Scaling performance assessments: Strategies for managing local item dependence. Journal of Educational Measurement, 30(3), 187–213.