[论文解读] Partial Identifiability of Restricted Latent Class Models

Yuqi Gu, Gongjun Xu|arXiv (Cornell University)|Mar 12, 2018

Statistical Methods and Inference参考文献 40被引用 17

一句话总结

本文提出了一种在受限隐变量模型中实现严格可识别性与部分可识别性的通用框架，利用设计矩阵推导出可检验的条件，确保在正确模型设定下模型参数的可识别性。该研究首次为若干认知诊断设计建立了可识别性结果，解决了教育评估与精神病学评估等应用中长期存在的可识别性难题。

ABSTRACT

Latent class models have wide applications in social and biological sciences. In many applications, pre-specified restrictions are imposed on the parameter space of latent class models, through a design matrix, to reflect practitioners' assumptions about how the observed responses depend on subjects' latent traits. Though widely used in various fields, such restricted latent class models suffer from non-identifiability due to their discreteness nature and complex structure of restrictions. This work addresses the fundamental identifiability issue of restricted latent class models by developing a general framework for strict and partial identifiability of the model parameters. Under correct model specification, the developed identifiability conditions only depend on the design matrix and are easily checkable, which provide useful practical guidelines for designing statistically valid diagnostic tests. Furthermore, the new theoretical framework is applied to establish, for the first time, identifiability of several designs from cognitive diagnosis applications.

研究动机与目标

• 解决受限隐变量模型中的根本可识别性问题，这类模型虽被广泛应用，但因离散结构与复杂限制而常面临不可识别性问题。
• 构建一个仅依赖于设计矩阵的严格可识别性与部分可识别性的通用理论框架，使条件在实践中易于检验。
• 通过推导充分与必要可识别性条件，为设计统计上有效的诊断测试提供实用指导。
• 首次为教育与心理评估中广泛使用的几种流行认知诊断设计建立可识别性结果。
• 克服先前研究依赖强结构假设（如饱和隐变量空间）的局限性，使方法更广泛适用于现实世界的设计。

提出的方法

• 使用编码观测响应如何依赖于潜在属性的设计矩阵来构建受限隐变量模型。
• 基于模型的参数空间与设计矩阵的结构，定义严格可识别性与部分可识别性。
• 基于设计矩阵的代数性质，特别是响应模式配置，推导出可识别性的充分条件。
• 利用代数几何与张量分解技术，分析受限模型下概率质量函数的结构。
• 引入关键引理与方程（如 (A.30)、(A.70)、(A.84)），刻画参数集之间的等价性，并通过边缘概率相等建立可识别性。
• 将该框架应用于证明特定认知诊断设计的可识别性，包括基于 TOEFL 与 TIMSS 等实际评估中 Q 矩阵的设计。

实验结果

研究问题

• RQ1 在何种设计矩阵条件下，受限隐变量模型是严格可识别的？
• RQ2 当严格可识别性不成立时，能否为受限隐变量模型建立部分可识别性？
• RQ3 如何使可识别性条件易于检验并具有实际应用价值，以用于诊断测试设计？
• RQ4 所提出的框架能否为广泛使用的认知诊断设计（如基于 Q 矩阵的设计）建立可识别性？
• RQ5 在非饱和隐变量空间的受限隐变量模型中，可识别性的必要与充分条件是什么？

主要发现

• 本文建立了一个仅依赖于设计矩阵的受限隐变量模型严格可识别性与部分可识别性的通用框架，使条件在实践中易于验证。
• 证明了在正确模型设定下，可识别性仅由设计矩阵的结构决定，从而为测试设计提供了实用指导。
• 该框架首次解决了包括 TOEFL 与 TIMSS 评估中使用的多种流行认知诊断模型的可识别性问题。
• 作者表明，以往依赖于饱和隐变量空间的可识别性结果过于严格，不具普遍适用性，并成功克服了这一局限。
• 通过代数技术与引理（如引理 A.3、A.4、A.6），本文证明了在受限模型下，边缘概率相等可推出完整概率质量函数相等，从而确立了可识别性。
• 该框架表明，即使严格可识别性不成立，仍可实现部分可识别性，为模型推断提供了更细致且实用的途径。