Сравнивайте с английским: нажмите на абзац — оригинал откроется в окне. Кнопка EN под абзацем показывает его прямо в тексте.
Содержание
Введение
Переменная, не наблюдаемая напрямую
аналогичное использование
Variable not directly observed
similar uses
В статистике латентные переменные (от латинского: действительное причастие от lateo, «скрываться») — это переменные, которые можно вывести только косвенно через математическую модель из других наблюдаемых переменных, которые могут быть непосредственно наблюдаемы или измерены. Такие модели латентных переменных используются во многих областях, включая политологию, демографию, инженерию, медицину, экологию, физику, машинное обучение/искусственный интеллект, биоинформатику, хемометрику, обработку естественного языка, менеджмент, психологию и социальные науки. Латентные переменные могут соответствовать аспектам физической реальности. В принципе, их можно измерить, но это может быть невозможно по практическим причинам. Одной из первых формулировок этой идеи является классическая полемика сэра Фрэнсиса Бэкона «Novum Organum», которая сама по себе является вызовом более традиционной логике, изложенной в «Органоне» Аристотеля. В этой ситуации обычно используется термин «скрытые переменные» (что отражает тот факт, что переменные значимы, но не наблюдаемы). Другие латентные переменные соответствуют абстрактным понятиям, таким как категории, поведенческие или психические состояния или структуры данных. В таких случаях могут использоваться термины «гипотетические переменные» или «гипотетические конструкты». Использование латентных переменных может служить для снижения размерности данных. Многие наблюдаемые переменные могут быть агрегированы в модели для представления базовой концепции, что облегчает понимание данных. В этом смысле они выполняют функцию, аналогичную научным теориям. В то же время латентные переменные связывают наблюдаемые «субсимволические» данные в реальном мире с символическими данными в моделируемом мире.
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
Примеры скрытых переменных в области экономики включают качество жизни, деловую уверенность, моральный дух, счастье и консерватизм: все это переменные, которые невозможно измерить напрямую. Однако, устанавливая связь между этими скрытыми переменными и другими, наблюдаемыми переменными, можно вывести значения скрытых переменных на основе измерений наблюдаемых переменных. Качество жизни – это скрытая переменная, которую нельзя измерить непосредственно, поэтому для оценки качества жизни используются наблюдаемые переменные. Наблюдаемые переменные для оценки качества жизни включают богатство, занятость, состояние окружающей среды, физическое и психическое здоровье, образование, возможности для отдыха и досуга, а также социальную вовлеченность.
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
Методология латентных переменных используется во многих областях медицины. Класс задач, для которых подходы с использованием латентных переменных особенно подходят, – это лонгитюдные исследования, в которых шкала времени (например, возраст участника или время от начала исследования) не синхронизирована с изучаемым признаком. Для таких исследований ненаблюдаемая шкала времени, синхронизированная с изучаемым признаком, может быть смоделирована как преобразование наблюдаемой шкалы времени с помощью латентных переменных. Примеры включают моделирование прогрессирования заболевания и моделирование роста (см. врезку).
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).