Regularized Latent Class Analysis with Application in Cognitive Diagnosis.
Regularized Latent Class Analysis with Application in Cognitive Diagnosis.
复制标题
DOI：
10.1007/s11336-016-9545-6
复制
发表时间：
2016-11-30
期刊：
影响因子：
3
通讯作者：
Ying Z
中科院分区：
文献类型：
--
作者：
Chen Y;Li X;Liu J;Ying Z
诊断分类模型是验证性的，因为潜在属性和对项目的反应之间的关系是指定的或参数化的。这种模型很容易解释，模型的每个组成部分通常都有实际意义。然而，参数化诊断分类模型有时过于简单，无法捕获所有数据模式，导致模型严重不适合。在本文中，我们试图通过正则化潜在类模型来获得可解释性和拟合优度之间的折衷。我们的方法从对数据结构的最小假设开始，然后进行适当的正则化以降低复杂性，从而获得易于解释但灵活的模型。一个期望最大化类型的算法，有效的计算。结果表明，该方法具有良好的理论性能。仿真研究和真实的应用结果。
Diagnostic classification models are confirmatory in the sense that the relationship between the latent attributes and responses to items is specified or parameterized. Such models are readily interpretable with each component of the model usually having a practical meaning. However; parameterized diagnostic classification models are sometimes too simple to capture all the data patterns, resulting in significant model lack of fit. In this paper, we attempt to obtain a compromise between interpretability and goodness of fit by regularizing a latent class model. Our approach starts with minimal assumptions on the data structure, followed by suitable regularization to reduce complexity, so that readily interpretable, yet flexible model is obtained. An expectation–maximization-type algorithm is developed for efficient computation. It is shown that the proposed approach enjoys good theoretical properties. Results from simulation studies and a real application are presented.
登录
查看更多内容
影响因子：
1.2
作者：
Liu J;Xu G;Ying Z
通讯作者：
Ying Z
影响因子：
1.3
作者：
HAERTEL, EH
通讯作者：
HAERTEL, EH
影响因子：
1.3
作者：
Leighton, JP;Gierl, MJ;Hunka, SM
通讯作者：
Hunka, SM
影响因子：
3
作者：
De la Torre, J;Douglas, JA
通讯作者：
Douglas, JA
影响因子：
4.4
作者：
GOODMAN, LA
通讯作者：
GOODMAN, LA