基于結構方程模型的因果發(fā)現(xiàn)研究.pdf

1、結構方程模型的研究是一個新興的熱門領域，結構方程模型是連續(xù)的貝葉斯網(wǎng)絡模型。針對結構方程模型結構學習目前所面臨的學習精度和學習效率問題，對于符合任意分布的數(shù)據(jù)，高斯分布或非高斯分布，我們進行了結構學習方面的研究，提出了相關的學習算法，并將研究的成果在健康領域開展應用性探索。
　　 主要研究內(nèi)容如下:
　　 1．針對目前線性結構方程模型結構學習所面臨的學習精度和學習效率問題。首先，對于擾動符合任意分布并且互不相關的線性結構

2、方程模型產(chǎn)生的數(shù)據(jù)，無論數(shù)據(jù)服從高斯分布與否，從理論上證明了可以用偏相關系數(shù)作為條件獨立性測試的標準。然后，結合局部學習提出了PCB算法。為了縮小搜索空間，PCB算法基于偏相關系數(shù)選擇目標節(jié)點的候選鄰居節(jié)點，即父節(jié)點和子節(jié)點，從而構建貝葉斯網(wǎng)絡的骨架;為了得到最終的因果結構，PCB算法進行受限的貪婪搜索對邊進行定向。最后，我們從理論和試驗方面說明了該算法的有效性。然而，算法的最佳閾值選擇通過大量試驗獲得，需要研究更為有效的方法。

3、　　 2．針對第三章提出的PCB算法的最佳閾值選擇通過試驗獲得，進一步探索閾值的選擇問題。我們將聯(lián)立方程方法與局部學習相結合，提出了基于聯(lián)立方程模型的貝葉斯網(wǎng)絡結構學習算法BSEM。我們從理論上說明了對于線性結構方程模型產(chǎn)生的數(shù)據(jù)，可以用聯(lián)立方程的系數(shù)衡量變量的影響程度。BSEM算法通過聯(lián)立方程的系數(shù)選擇目標節(jié)點的候選鄰居節(jié)點，從而縮小了搜索的空間;繼而在受限的空間里，采用局部學習理論，進行受限的貪婪搜索，最終得到相應的因果結構。并從

4、理論上和試驗上說明了該算法的有效性。試驗結果表明，該算法具有較高的準確度和較好的時間性能。特別的是，BSEM算法的閾值基于假設檢驗的方法，彌補了PCB算法的閾值選擇問題，然而時間性能有所下降。在已知節(jié)點序的先驗信息下，提出了基于遞歸聯(lián)立方程的貝葉斯網(wǎng)絡結構學習算法RSEM。RSEM算法利用節(jié)點序這一先驗信息，直接基于方程系數(shù)從目標節(jié)點的前驅節(jié)點中選取父節(jié)點，在取得較高準確度的同時，時間性能得到了顯著的提高。
　　 3．在PCB算

5、法的研究基礎之上提出了改進的基于偏相關的貝葉斯網(wǎng)絡結構學習算法IPCB。首先，從理論上證明了對于線性結構方程模型產(chǎn)生的數(shù)據(jù)，在樣本數(shù)不是很小的情況下，偏相關系數(shù)的統(tǒng)計量服從t分布。然后，結合局部學習提出了IPCB算法。IPCB算法結合假設檢驗方法和偏相關系數(shù)，選擇目標節(jié)點的候選鄰居節(jié)點，繼而在受限的空間里進行受限的貪婪搜索，最終得到相應的因果結構。并從理論上和試驗上說明了該算法的有效性。試驗結果表明，該算法具有較高的準確度和較好的時間性

6、能，既解決了PCB算法的閾值選擇問題，又彌補了BSEM算法時間性能方面的不足。
　　 4．基于因果發(fā)現(xiàn)在健康領域開展應用性研究。將因果發(fā)現(xiàn)算法應用于橫斷面調(diào)查數(shù)據(jù)，發(fā)現(xiàn)隱含的因果聯(lián)系。采用美國健康和營養(yǎng)調(diào)查(NHANES)提供的真實斷面調(diào)查數(shù)據(jù)，使用LIMB算法，TC算法，PCB算法，BSEM算法，IPCB算法和Two-Phase算法進行因果發(fā)現(xiàn)，獲取潛在的因果關系，結果表明這些算法能不同程度地從橫斷面調(diào)查數(shù)據(jù)發(fā)現(xiàn)相應的因果聯(lián)系