Latent class model
http://dbpedia.org/resource/Latent_class_model an entity of type: Thing
在统计学中，潜在类别模型（latent class model，LCM ），简称潜类模型，将一组观察到的（通常是离散的）多变量变量与一组潜变量联系起来 。LCM是一种潜变量模型 。因为潜在变量是离散的，所以它被称为潜类模型。类的特征在于条件概率模式，其指示变量对特定值的可能性。 潜在类别分析 （latent class analysis， LCA ），简称潜类分析，是结构方程建模的子集，用于在多变量分类数据中查找子类型。这些子类型称为“潜类”（latent class）。 假设有如下情况，研究人员可能会选择使用LCA来理解数据：想象一下，在一系列患有X，Y和Z疾病的患者中测量了症状，并且疾病X与症状a， b和c的存在相关，疾病Y与症状为b，c，d的存在相关，以及疾病Z与症状为a，c和d的存在相关。 LCA将尝试检测潜在类别（疾病实体）的存在，从而创建与症状关联的模式。 与因子分析一样，LCA也可用于根据条件的最大似然类别成员对其进行分类。 因为解决LCA的标准是实现潜在的类别，在这些潜在类别中，一种症状与另一种症状之间不再有任何关联（因为该类是引起其关联的疾病），以及患者所具有的一组疾病（或类别a） case是一个成员）导致症状关联，症状将是“有条件独立”，即，以类成员身份为条件，他们不再相关。
rdf:langString
Die latente Klassenanalyse (engl. Latent Class Analysis, LCA) ist ein Klassifikationsverfahren, mit dem beobachtbare diskrete Variablen zu latenten Variablen zugeordnet werden können. Sie basiert auf einem speziellen Latenten Variablenmodell, bei dem die manifesten und die latenten Variablen kategorial und nicht metrisch sind. Man spricht von latenten Klassen, weil es sich um diskrete latente Variablen handelt. Die latente Klassenanalyse ist ein spezieller Typ eines Strukturgleichungsmodells. Es wird verwendet, um Gruppen oder Untergruppen von Fällen bei multivariaten kategorialen Daten aufzuspüren. Solche Untergruppen werden latente Klassen genannt. Mit der LCA werden Typologien entwickelt, die empirisch überprüft werden können. Mit der latenten Klassenanalyse lassen sich nicht direkt mes
rdf:langString
En estadística, el análisis de clases latentes (ACL) relaciona un conjunto de variables multivariadas (por lo general discretas) con un conjunto de variables latentes. Se llama un modelo de clases latentes debido a que la variable latente es discreta. Una clase se caracteriza por un patrón de probabilidades condicionales que indican la probabilidad de que las variables tomen determinados valores. El análisis de clase latente (ACL) se utiliza para encontrar grupos o subtipos de los casos en los datos categóricos multivariados. Estos subtipos se llaman "clases latentes".
rdf:langString
In statistics, a latent class model (LCM) relates a set of observed (usually discrete) multivariate variables to a set of latent variables. It is a type of latent variable model. It is called a latent class model because the latent variable is discrete. A class is characterized by a pattern of conditional probabilities that indicate the chance that variables take on certain values. Latent class analysis (LCA) is a subset of structural equation modeling, used to find groups or subtypes of cases in multivariate categorical data. These subtypes are called "latent classes".
rdf:langString
Een latenteklassemodel is een statistisch model dat als doel heeft om aan de hand van een aantal geobserveerde variabelen een achterliggende, niet geobserveerde variabele te identificeren. Deze latente variabele geeft een verklaring voor de onderlinge samenhang van de manifeste variabelen en kan helpen de structuur van de geobserveerde data beter te begrijpen. De latente variabele die het resultaat is van dit model is een discrete variabele met minimaal twee categorieën, of klassen.
rdf:langString
rdf:langString
Latente Klassenanalyse
rdf:langString
Análisis de clases latentes
rdf:langString
Latent class model
rdf:langString
Latenteklassemodel
rdf:langString
潜在类别模型
xsd:integer
4094720
xsd:integer
1091676483
rdf:langString
Die latente Klassenanalyse (engl. Latent Class Analysis, LCA) ist ein Klassifikationsverfahren, mit dem beobachtbare diskrete Variablen zu latenten Variablen zugeordnet werden können. Sie basiert auf einem speziellen Latenten Variablenmodell, bei dem die manifesten und die latenten Variablen kategorial und nicht metrisch sind. Man spricht von latenten Klassen, weil es sich um diskrete latente Variablen handelt. Die latente Klassenanalyse ist ein spezieller Typ eines Strukturgleichungsmodells. Es wird verwendet, um Gruppen oder Untergruppen von Fällen bei multivariaten kategorialen Daten aufzuspüren. Solche Untergruppen werden latente Klassen genannt. Mit der LCA werden Typologien entwickelt, die empirisch überprüft werden können. Mit der latenten Klassenanalyse lassen sich nicht direkt messbare Konzepte, wie z. B. Milieu, Lebensstile, Freizeitverhalten etc., über direkt messbare Variablen zu Typologien empirisch abbilden. Die latente Klassenanalyse ist klassischen clusteranalytischen Verfahren überlegen, insbesondere wenn nur wenige beobachtete Eigenschaften oder Eigenschaftsausprägungen vorliegen. Das Verfahren findet seine Anwendung unter anderem im Bereich der Wirtschaftswissenschaften (insbesondere der Marktforschung).
rdf:langString
In statistics, a latent class model (LCM) relates a set of observed (usually discrete) multivariate variables to a set of latent variables. It is a type of latent variable model. It is called a latent class model because the latent variable is discrete. A class is characterized by a pattern of conditional probabilities that indicate the chance that variables take on certain values. Latent class analysis (LCA) is a subset of structural equation modeling, used to find groups or subtypes of cases in multivariate categorical data. These subtypes are called "latent classes". Confronted with a situation as follows, a researcher might choose to use LCA to understand the data: Imagine that symptoms a-d have been measured in a range of patients with diseases X, Y, and Z, and that disease X is associated with the presence of symptoms a, b, and c, disease Y with symptoms b, c, d, and disease Z with symptoms a, c and d. The LCA will attempt to detect the presence of latent classes (the disease entities), creating patterns of association in the symptoms. As in factor analysis, the LCA can also be used to classify case according to their maximum likelihood class membership. Because the criterion for solving the LCA is to achieve latent classes within which there is no longer any association of one symptom with another (because the class is the disease which causes their association), and the set of diseases a patient has (or class a case is a member of) causes the symptom association, the symptoms will be "conditionally independent", i.e., conditional on class membership, they are no longer related.
rdf:langString
En estadística, el análisis de clases latentes (ACL) relaciona un conjunto de variables multivariadas (por lo general discretas) con un conjunto de variables latentes. Se llama un modelo de clases latentes debido a que la variable latente es discreta. Una clase se caracteriza por un patrón de probabilidades condicionales que indican la probabilidad de que las variables tomen determinados valores. El análisis de clase latente (ACL) se utiliza para encontrar grupos o subtipos de los casos en los datos categóricos multivariados. Estos subtipos se llaman "clases latentes". Frente a una situación de la siguiente manera, un investigador podría elegir utilizar (ACL) para entender los datos: Imagínese que los síntomas a-d han sido medidos en una serie de pacientes con enfermedades X, Y y Z, en donde la enfermedad X se asocia con la presencia de los síntomas a, b, y c, la enfermedad Y con síntomas b, c, d, y la enfermedad Z con síntomas a, c y d. El LCA intentará detectar la presencia de clases latentes (las entidades de la enfermedad), la creación de patrones de asociación de los síntomas. Al igual que en el análisis de factores, el LCA también se puede utilizar para clasificar caso en función de su máxima verosimilitud pertenencia a una clase. Debido a que el criterio para la solución del (ACL) es conseguir clases latentes dentro de la cual ya no hay ninguna asociación de un síntoma con otro (porque la clase es la enfermedad que causa su asociación, y el conjunto de enfermedades que un paciente tiene (o clase de un caso es miembro de) hace que la asociación de síntomas, los síntomas serán "condicionalmente independientes", es decir, a la pertenencia de clase, ya no están relacionadas.
rdf:langString
Een latenteklassemodel is een statistisch model dat als doel heeft om aan de hand van een aantal geobserveerde variabelen een achterliggende, niet geobserveerde variabele te identificeren. Deze latente variabele geeft een verklaring voor de onderlinge samenhang van de manifeste variabelen en kan helpen de structuur van de geobserveerde data beter te begrijpen. De latente variabele die het resultaat is van dit model is een discrete variabele met minimaal twee categorieën, of klassen. Een latente klasse wordt beschreven met een reeks voorwaardelijke kansen die voor iedere mogelijke score op de geobserveerde variabelen wordt berekend. Deze kans geeft aan hoe waarschijnlijk het is dat een case die tot een van de verschillende klassen behoort een bepaalde score heeft behaald op de geobserveerde variabelen.
rdf:langString
在统计学中，潜在类别模型（latent class model，LCM ），简称潜类模型，将一组观察到的（通常是离散的）多变量变量与一组潜变量联系起来 。LCM是一种潜变量模型 。因为潜在变量是离散的，所以它被称为潜类模型。类的特征在于条件概率模式，其指示变量对特定值的可能性。 潜在类别分析 （latent class analysis， LCA ），简称潜类分析，是结构方程建模的子集，用于在多变量分类数据中查找子类型。这些子类型称为“潜类”（latent class）。 假设有如下情况，研究人员可能会选择使用LCA来理解数据：想象一下，在一系列患有X，Y和Z疾病的患者中测量了症状，并且疾病X与症状a， b和c的存在相关，疾病Y与症状为b，c，d的存在相关，以及疾病Z与症状为a，c和d的存在相关。 LCA将尝试检测潜在类别（疾病实体）的存在，从而创建与症状关联的模式。 与因子分析一样，LCA也可用于根据条件的最大似然类别成员对其进行分类。 因为解决LCA的标准是实现潜在的类别，在这些潜在类别中，一种症状与另一种症状之间不再有任何关联（因为该类是引起其关联的疾病），以及患者所具有的一组疾病（或类别a） case是一个成员）导致症状关联，症状将是“有条件独立”，即，以类成员身份为条件，他们不再相关。
xsd:nonNegativeInteger
7972