杂志文章

GGMNONREG：R中的非规范化高斯图形模型

2021年11月

出版于：

开源软件杂志，6（67），3308，https：//doi.org/10.21105/joss.03308

经过：唐纳德·威廉姆斯


抽象的

在多元数据集中研究复杂关系是整个科学的常见任务。图形建模在具有广泛数据的字段中非常普遍，即，当变量（p）多于观察（n）时。因此，已经开发了许多基于正则化的方法这些数据。正规化存在关键缺点，包括但不限于获得有效的参数不确定性量度非常（非常）困难的事实（Bühlmann等，2014），并且可能存在膨胀的误报率（请参阅
例如，唐纳德·R·威廉姆斯（Donald R. Williams）等人，2019年）。认知神经科学家将大脑的连接性与发掘皮质区域之间的功能和结构关联的目标进行模拟（Ortiz等，2015）。在临床心理学中，研究人员希望更好地理解基于心理健康障碍的症状相互关系的复杂网络（Borsboom等，2011； McNally，2016）。为此，图形建模已成为科学探究箱中的经常使用的工具。基本思想是通过学习条件依赖结构来表征多元关系。皮质区域或症状是节点，链接节点的特征连接是图形表示条件依赖性结构的边缘。
图形建模在具有广泛数据的字段中非常普遍，即，当变量（p）多于观察（n）时。因此，为这些数据开发了许多基于正则化的方法。正规化存在关键缺点，包括但不限于获得有效的参数不确定性量度非常（非常）困难的事实（Bühlmann等人，2014年），并且可能存在夸大的假阳性率（请参阅有关例如，唐纳德·R·威廉姆斯等人，2019年）。
最近，在心理学中出现了图形建模（Epskamp等人，2018年），其中数据通常是长或低维的（p Donald R. Williams＆Rast（2019））。GGMNONREG的主要目的是提供专门为低维数据设计的方法（例如，在该数据中常见的方法
社会行为科学）。
看更多

访问日记

本文在NWEA外发表。全文可以在上面的链接上找到。

话题：测量和缩放

相关话题