...
机译:基于观测数据的因果解释:具有潜在变量的结构模型的新贝叶斯网络方法
School of Management, University of Texas at Dallas, Richardson, Texas 75083;
rnFox School of Business and Management, Temple University, Philadelphia, Pennsylvania 19122;
causality; bayesian networks; structural equation modeling; observational data; bayesian graphs;
机译:利用贝叶斯方法从实验和观测数据混合中发现潜在变量模型的原因
机译:探索性数据分析的基于观测的缺失数据方法,揭示了潜在子空间模型中观测与变量之间的联系
机译:使用辅助变量的多级多维物品响应模型的贝叶斯估计方法:分层数据中多个潜变量与协变的相关性的探索
机译:利用结构方程模型构建隐变量贝叶斯网络
机译:因果不混淆的基因网络:使用递归V型结构,遗传变异和正交因果锚结构方程模型,在mRNA表达研究中推断无环和非无环基因贝叶斯网络。
机译:通过独立约束的贝叶斯评分发现包含潜在变量的因果模型
机译:缩放方法对潜在变量结构方程模型参数估计的性质和解释的影响