Жасырын айнымалылар – тікелей байқауға келмейтін, математикалық модельдер арқылы анықталатын шамалар. Статистика, психология, AI және басқа ғылымдарда қолданылады.
Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Тікелей байқалмаған айнымалылар ұқсас қолданыстар
Variable not directly observed
similar uses
Статистикада, жасырын айнымалылар (лат. *latent variables* – жасырын айнымалылар) – математикалық модель арқылы тікелей байқалатын немесе өлшенетін басқа айнымалылардан ғана шығаруға болатын айнымалылар. Мұндай жасырын айнымалылар модельдері саясаттану, демография, инженерлік, медицина, экология, физика, машиналық оқыту/жасанды интеллект, биоинформатика, химиометрия, табиғи тілді өңдеу, менеджмент, психология және әлеуметтік ғылымдар сияқты көптеген салаларда қолданылады. Жасырын айнымалылар физикалық шындықтың кейбір аспектілеріне сәйкес келуі мүмкін. Теориялық тұрғыдан бұл көрсеткіштерді өлшеуге болар еді, бірақ практикалық себептерге байланысты өлшеу мүмкін болмайды. Бұл идеяның ең алғашқы көріністерінің бірі – сэр Фрэнсис Бэконның классикалық *Novum Organum* еңбегі, ол Аристотельдің *Organon*-ында баяндалған дәстүрлі логикаға қарсы шығуды білдіреді. Мұндай жағдайларда, көбінесе "жасырын айнымалылар" термині қолданылады (айнымалылардың мағыналы, бірақ байқалатын емес екенін көрсетеді). Басқа жасырын айнымалылар абстракт ұғымдарға, мысалы, санаттарға, мінез-құлыққа немесе психикалық күйлерге, немесе деректер құрылымдарына сәйкес келеді. Мұндай жағдайларда "гипотетикалық айнымалылар" немесе "гипотетикалық конструкциялар" терминдері қолданылуы мүмкін. Жасырын айнымалыларды пайдалану деректердің өлшемділігін азайтуға мүмкіндік береді. Көптеген байқалатын айнымалыларды негізгі ұғымды бейнелеу үшін модельде жинақтауға болады, бұл деректерді түсінуді жеңілдетеді. Осы тұрғыдан алғанда, олар ғылыми теорияларға ұқсас функция атқарады. Сонымен қатар, жасырын айнымалылар нақты әлемдегі байқалатын "субсимволикалық" деректерді модельделген әлемдегі символикалық деректермен байланыстырады.
In statistics, latent variables (from Latin: present participle of lateo, “lie hidden”) are variables that can only be inferred indirectly through a mathematical model from other observable variables that can be directly observed or measured. Such latent variable models are used in many disciplines, including political science, demography, engineering, medicine, ecology, physics, machine learning/artificial intelligence, bioinformatics, chemometrics, natural language processing, management, psychology and the social sciences. Latent variables may correspond to aspects of physical reality. These could in principle be measured, but may not be for practical reasons. Among the earliest expressions of this idea is Sir Francis Bacon's classic polemic the Novum Organum, itself a challenge to the more traditional logic expressed in Aristotle's Organon. In this situation, the term hidden variables is commonly used (reflecting the fact that the variables are meaningful, but not observable). Other latent variables correspond to abstract concepts, like categories, behavioral or mental states, or data structures. The terms hypothetical variables or hypothetical constructs may be used in these situations. The use of latent variables can serve to reduce the dimensionality of data. Many observable variables can be aggregated in a model to represent an underlying concept, making it easier to understand the data. In this sense, they serve a function similar to that of scientific theories. At the same time, latent variables link observable "sub symbolic" data in the real world to symbolic data in the modeled world.
Экономика
Экономика саласындағы жасырын айнымалылардың мысалдары өмір сапасы, кәсіпкерлік сенімі, көңіл-күй, бақыт және консерватизмді қамтиды: бұлардың барлығы тікелей өлшенбейтін айнымалылар. Бірақ осы жасырын айнымалыларды басқа, байқалатын айнымалылармен байланыстыра отырып, жасырын айнымалылардың шамаларын байқалатын айнымалылардың өлшемдері арқылы анықтауға болады. Өмір сапасы – тікелей өлшеуге болмайтын жасырын айнымалы, сондықтан өмір сапасын анықтау үшін байқалатын айнымалылар қолданылады. Өмір сапасын өлшеуге арналған байқалатын айнымалыларға байлық, жұмыспен қамту, қоршаған орта, дене және психикалық денсаулық, білім, демалыс және бос уақыт, әлеуметтік байланыс жатады.
Examples of latent variables from the field of economics include quality of life, business confidence, morale, happiness and conservatism: these are all variables which cannot be measured directly. But linking these latent variables to other, observable variables, the values of the latent variables can be inferred from measurements of the observable variables. Quality of life is a latent variable which cannot be measured directly so observable variables are used to infer quality of life. Observable variables to measure quality of life include wealth, employment, environment, physical and mental health, education, recreation and leisure time, and social belonging.
Медицина
Латентті өзгермелі әдістеме медицинаның көптеген салаларында қолданылады. Жасырын өзгермелілерге табиғи түрде бейім келетін проблемалардың бір классы – бұл уақыт шкаласы (мысалы, қатысушының жасы немесе зерттеудің бастапқы нүктесінен бері өткен уақыт) зерттеліп отырған белгімен синхронды емес болатын бойлық зерттеулер. Мұндай зерттеулер үшін, зерттеліп отырған белгімен синхронды жасырын уақыт шкаласын, байқалған уақыт шкаласының жасырын айнымалылар арқылы түрлендірілуі ретінде модельдеуге болады. Бұған аурудың прогрессиясын және өсуді модельдеу жатады (қосымшаны қараңыз).
Latent variable methodology is used in many branches of medicine. A class of problems that naturally lend themselves to latent variables approaches are longitudinal studies where the time scale (e. g. age of participant or time since study baseline) is not synchronized with the trait being studied. For such studies, an unobserved time scale that is synchronized with the trait being studied can be modeled as a transformation of the observed time scale using latent variables. Examples of this include disease progression modeling and modeling of growth (see box).