[论文解读] The Expected Parameter Change (EPC) for Local Dependence Assessment in Binary Data Latent Class Models

Daniel L. Oberski, Jeroen K. Vermunt|arXiv (Cornell University)|Jan 8, 2018

Census and Population Estimation参考文献 60被引用 9

一句话总结

本文引入了期望参数变化（EPC）及广义EPC作为诊断工具，用于评估二值数据潜类模型中局部依赖的实质性大小和方向。通过估计若纠正局部依赖后模型参数可能的变化量，该方法帮助研究者识别并处理不可忽略的依赖关系，同时保持模型的简洁性与可解释性。

ABSTRACT

Binary data latent class models crucially assume local independence, violations of which can seriously bias the results. We present two tools for monitoring local dependence in binary data latent class models: the "Expected Parameter Change" (EPC) and a generalized EPC, estimating the substantive size and direction of possible local dependencies. The asymptotic and finite sample behavior of the measures is studied, and two applications to the U.S. Census estimation of Hispanic ethnicity and medical experts' ratings of x-rays demonstrate its value in arriving at a model that balances realism and parsimony.

研究动机与目标

• 为解决二值潜类模型中的局部依赖问题，该问题可能导致分类、类别大小及误差估计的偏差。
• 开发一种诊断工具，超越统计显著性，评估局部依赖的实质性大小。
• 通过识别哪些指标对对局依赖有实质性贡献，支持模型选择，避免过度拟合。
• 通过指导研究者决定是否显式建模局部依赖或将其视为干扰效应，实现模型真实性和简洁性的平衡。
• 为社会科学、医学及机器学习领域的应用研究者提供一种实用且可实现的方法，配套R代码。

提出的方法

• 提出期望参数变化（EPC）作为衡量若纠正局部依赖后模型参数可能变化程度的指标。
• 基于模型参数对数似然函数梯度，利用得分向量与费雪信息矩阵推导EPC。
• 引入广义EPC（EPC_GS），可同时考虑多个局部依赖，提升对复杂依赖结构的敏感性。
• 利用参数对数似然的雅可比矩阵计算EPC，结合后验类别概率与设计矩阵。
• 应用得分检验评估局部依赖的统计显著性，与EPC共同用于模型诊断。
• 提供R代码，包含S4类，用于拟合含局部依赖的二值潜类模型，并计算EPC与EPC_GS。

实验结果

研究问题

• RQ1 在给定的二值潜类模型中，局部依赖的实质性大小和方向是什么？
• RQ2 哪些指标对对局依赖的贡献最为显著，应被显式建模？
• RQ3 EPC与传统显著性检验相比，在识别有意义的局部依赖方面表现如何？
• RQ4 EPC能否通过避免不必要的类别扩展来防止过度拟合，从而在模型拟合度与可解释性之间取得平衡？
• RQ5 在有限样本及模型设定错误的情况下，EPC与广义EPC估计的稳定性和可靠性如何？

主要发现

• EPC直接估计了若纠正局部依赖后模型参数的期望变化，提供了超越p值的实质性解释。
• 广义EPC（EPC_GS）有效捕捉了多个局部依赖的累积影响，提升了检测能力。
• 在美国人口普查应用中，EPC识别出特定题项对（如与种族相关的问题）存在不可忽略的局部依赖，从而改善了模型拟合度。
• 在医学X光评级研究中，EPC揭示了放射科医生的评分存在局部依赖，原因在于共享的培训背景，而标准模型未能捕捉到这一点。
• 与基于残差的方法相比，EPC与EPC_GS在识别有意义依赖方面表现更优，且不完全依赖统计显著性。
• 该方法通过指导研究者仅包含相关局部依赖，避免过度参数化，从而保持了模型的可解释性。