cause, we can disregard the causes

cause, we can disregard the causes of its ancestors.
The parents of a node form the smallest set of variables
for which the relevant conditional independence
holds. This assumption greatly reduces the complexity
of Equation (2) and the joint probability of Figure
1 simplifies to: PA
B
C
D
E = PA × PB ×
PC
A
B × PE
C × PD
C. By accepting
the causal Markov assumption, we can then infer
some causal relationships from observational data
(Friedman et al. 2000).
3. Method Development
3.1. Rationale and Overview of
the Proposed Method
The main interest of SEM studies is the structural
model, i.e., the relationships among LVs (or theoretical
constructs). LVs are assumed to be unobservable
phenomena that are not directly measurable. What is
observable, however, are the measurement items of each
LV, the raw inputs to an SEM model. SEM studies
thus also address the measurement model—the relationships
among the measurement items and their LVs—
that test how well the LVs were actually measured.
First, given a set of measurement items, how can
we identify the overarching LVs? This question does
not often arise in the SEM literature because the common
SEM methods (e.g., confirmatory factor analysis
(CFA) in LISREL and PLS) mostly work in a confirmatory
mode by prespecifying which measurement
items load on which LVs (Gefen et al. 2000). Lee et al.
(1997) criticize this confirmatory mode, pointing out
BN as a potential alternative for exploratory analysis.
However, building a BN in the presence of hidden
LVs is a nontrivial problem that has long been recognized
as one of the crucial, yet unsolved problems
in the BN literature (Cooper 1995, Friedman 1997).
There are two fundamental issues to be addressed:
(1) detecting the structure (or location) of LVs, and
(2) calculating the values of the identified LVs.
The BN literature only addresses the second issue
without dealing with the structure problem.10 Elidan
and Friedman (2001) show that even learning the
dimensionality—the number of possible values—of
LVs is hard. Cooper (1995) and Chickering and
10 This is referred to as the structure problem of LVs because determining
the location of LVs in a BN also specifies the BN structure.
Heckerman (1997) consider a simple case where there
only exists a single hidden LV with a known structure.
What remains unknown and needs to be determined
is only the value of this LV. This simplifies the
hidden LV problem to a special type of missing data
problem where all values of the LV are missing. Imputation
methods, such as the expectation maximization
algorithm, can be used to impute the missing values.
Similarly, Binder et al. (1997) assume that the complete
network structure that includes the location of the LVs
is known, and the goal is to learn the BN parameters in
the presence of LVs. However, when a certain structure
is involved, the difficulty arises from having an unlimited
number of hidden LVs and an unlimited number
of network structures to contain them (Cooper 1995).
Determining network structures is thus NP-hard11 and
heuristic methods may be necessary. For instance,
Elidan et al. (2000) propose a “natural” approach by
identifying the “structure signature” of hidden LVs,
which uses a heuristic to identify “semicliques” when
each of the variables connects to at least half of the
others. If such a semiclique is detected, a hidden variable
is introduced as the parent node to replace the
semiclique. Silva et al. (2006) questioned this ad-hoc
approach and proposed a method for determining the
location of LVs based on a TETRAD difference that,
loosely speaking, captures the intercorrelations among
four variables (Spirtes et al. 2000, p. 264). However, the
approach of Silva et al. (2006) only focuses on linear
continuous LVs for which the correlation-based
TETRAD difference is applicable.
In sum, though the BN literature has made some
progress in developing methods for detecting “hidden”
LVs from data, to the best of our knowledge
constructing a BN with LVs from measurement items
has still not been achieved. The proposed LVI algorithm
is thus developed (§3.2) to fill in this gap. It
uses the axiom of conditional independence as the
building block that provides a causal interpretation to
the measurement model (§3.2.1); the value of an LV
is determined by nonlinear programming that maximizes
conditional independence (§3.2.2). The actual
11 For n nodes, the number of possible BN structures is f n =

n
i=1 −1i+1Cin
2in−if n−i. For n = 2, the possible structures is 3;
for n=3, it is 25; and for n=5, it is 29,000 (Cooper and Herskovits
1992).
Zheng and Pavlou: New Bayesian Networks Method for Structural Models with Latent Variables
372 Information Systems Research 21(2), pp. 365–391, ©2010 INFORMS
algorithm is presented in §3.2.3, which takes the raw
measurement items as inputs and outputs the identified
LVs.
Second, after the LVs are identified, how can we
discover the most probable causal structure among
the LVs?

ผลลัพธ์ (ไทย) 1:

สาเหตุ เราสามารถไม่สนใจสาเหตุของบรรพบุรุษผู้ปกครองของโหนแบบชุดเล็กที่สุดของตัวแปรที่เป็นอิสระแบบมีเงื่อนไขที่เกี่ยวข้องรองรับ สมมติฐานนี้ช่วยลดความซับซ้อนสมการ (2) และความน่าเป็นร่วมของรูป1 ช่วยให้: P ABCDE = P × P B ×P C AB × P E C × P D C โดยการยอมรับสมมติฐานเชิงสาเหตุที่มาร์คอฟ ที่เราสามารถแล้วสรุปบางความสัมพันธ์เชิงสาเหตุจากข้อมูลเชิงสังเกตการณ์(ฟรีดแมน et al. 2000)3 พัฒนาวิธี3.1 เหตุผลและภาพรวมของวิธีการนำเสนอความสนใจหลักของการศึกษา SEM เป็นโครงสร้างรุ่น เช่น ความสัมพันธ์ ระหว่าง LVs (หรือทฤษฎีสร้าง) LVs จะสันนิษฐานเป็น unobservableปรากฏการณ์ที่ไม่สามารถวัดได้โดยตรง คืออะไรเบส อย่างไรก็ตาม มีรายการประเมินของแต่ละLV ปัจจัยการผลิตวัตถุดิบการแบบ SEM ศึกษา SEMจึง ยังอยู่แบบวัดซึ่งความสัมพันธ์รายการวัดและของ LVs —ที่ทดสอบ LVs มีวัดจริงดีอย่างไรแรก ได้รับชุดของการวัด วิธีการที่สามารถเราระบุ LVs ยอดกล้อง คำถามนี้ไม่ไม่ได้มักเกิดในวรรณคดี SEM เนื่องจากการทั่วไปวิธี SEM (เช่น ปัจจัยเมื่อวิเคราะห์(CFA) ใน LISREL และ PLS) ส่วนใหญ่ทำงานในที่เมื่อโดย prespecifying ที่วัดรายการโหลดบนที่ LVs (Gefen et al. 2000) Lee et alโหมดนี้เมื่อ ชี้การวิพากษ์วิจารณ์ (1997)พันล้านเป็นทางการสำหรับการวินิจอย่างไรก็ตาม สร้างเป็นพันล้านหน้าซ่อนอยู่LVs เป็นปัญหา nontrivial ที่ได้รับการยอมรับเป็นหนึ่งสำคัญ ยังไว้โดยไม่แก้ไขปัญหาในวรรณคดีพันล้าน (คูเปอร์ 1995, 1997 ฟรีดแมน)มีปัญหาสองพื้นฐานที่ต้องได้รับ:(1) โครงสร้าง (หรือตำแหน่ง) ของ LVs ตรวจจับ และ(2) คำนวณค่าของ LVs ระบุวรรณกรรมพันล้านที่อยู่ปัญหาที่สองเท่ากับโครงสร้าง problem.10 Elidanและฟรีดแมน (2001) แสดงที่เรียนได้มิติซึ่งจำนวนค่าที่เป็นไปได้ของLVs ได้ยาก คูเปอร์ (1995) และ Chickering และ10 นี้จะเรียกว่าปัญหาโครงสร้างของ LVs เนื่องจากการกำหนดตำแหน่งที่ตั้งของ LVs ในพันล้านระบุโครงสร้างพันล้านHeckerman (1997) พิจารณากรณีธรรมดาที่มีLV ที่ซ่อนอยู่เดียวกับโครงสร้างที่รู้จักที่มีอยู่เท่านั้นสิ่งที่ยังคงไม่รู้จัก และต้องกำหนดไม่เฉพาะค่าของเลเวล นี้ช่วยลดการปัญหา LV ซ่อนข้อมูลหายไปชนิดพิเศษปัญหาที่ค่า LV หายไป Imputationวิธีการ เช่นไดคาดหวังอัลกอริทึม ใช้ impute ค่าหายไปในทำนองเดียวกัน Binder et al. (1997) สมมติว่าสมบูรณ์โครงสร้างเครือข่ายที่มีตำแหน่งที่ตั้งของ LVsเป็นที่รู้จักกัน และเป้าหมายคือการ เรียนรู้พารามิเตอร์พันล้านในการปรากฏตัวของ LVs อย่างไรก็ตาม เมื่อมีโครงสร้างมีส่วนร่วม ความยากลำบากที่เกิดขึ้นจากมีจำกัดLVs ซ่อนและไม่จำกัดจำนวนโครงสร้างเครือข่ายที่ประกอบด้วยให้ (คูเปอร์ 1995)การกำหนดโครงสร้างเครือข่ายจึงได้ NP-hard11 และวิธีการเชิงฮิวริสทิคอาจจำเป็น เช่นElidan et al. (2000) เสนอแนวทาง "ธรรมชาติ" โดยระบุ "โครงสร้างลายเซ็น" ของ LVs ซ่อนซึ่งใช้ในการแก้ปัญหาการระบุ "semicliques" เมื่อตัวแปรแต่ละเชื่อมต่ออย่างน้อยครึ่งหนึ่งของการผู้อื่น ถ้าตรวจพบ semiclique ดังกล่าว ตัวแปรที่ซ่อนอยู่แนะนำเป็นโหนหลักการแทนsemiclique Silva et al. (2006) สอบสวนนี้กิจวิธีการ และเสนอวิธีการกำหนดตำแหน่งที่ตั้งของ LVs อิง TETRAD ความแตกต่างที่การพูดผิดปกติ จับ intercorrelations ในหมู่4 ตัวแปร (Spirtes et al. 2000, p. 264) อย่างไรก็ตาม การวิธีการของ Silva et al. (2006) เท่านั้นเน้นเชิงเส้นLVs อย่างต่อเนื่องซึ่งการใช้ความสัมพันธ์ความแตกต่างของ TETRAD สามารถใช้ได้ในผลรวม แม้ว่าวรรณกรรมพันล้านได้บางส่วนความคืบหน้าในการพัฒนาวิธีการตรวจสอบ "ซ่อน"LVs จากข้อมูล ที่สุดความรู้ของเราสร้างพันล้านกับ LVs จากรายการประเมินยังไม่ได้ อัลกอริทึมลียงเสนอจึงได้รับการพัฒนา (§3.2) เพื่อเติมในช่องว่าง มันใช้สัจพจน์ของความเป็นอิสระแบบมีเงื่อนไขเป็นการกลุ่มอาคารที่มีการตีความเชิงสาเหตุเพื่อแบบประเมิน (§3.2.1); ค่าของ LVจะถูกกำหนด โดยโปรแกรมไม่เชิงเส้นที่เพิ่มเงื่อนไขความเป็นอิสระ (§3.2.2) ที่แท้จริง11 สำหรับ n โหน จำนวนโครงสร้างพันล้านเป็นไปได้คือ f n =nฉัน =− 1 1 ฉัน + 1Cin2i n−i f n−i สำหรับ n = 2, 3 เป็นโครงสร้างเป็นไปได้สำหรับ n = 3 เป็น 25 และ n = 5 เป็น 29,000 (คูเปอร์และ Herskovits1992)เจิ้งและ Pavlou: ทฤษฎีใหม่เครือข่ายวิธีสำหรับรูปแบบโครงสร้างมีตัวแปรแฝงระบบข้อมูล 372 วิจัย 21(2), pp. 365 – 391, © 2010 จะแจ้งให้ทราบอัลกอริทึมแสดงใน §3.2.3 ที่ดิบวัดสินค้าเป็นอินพุต และเอาต์พุที่ระบุLVsที่สอง หลังจาก LVs ที่ระบุ เราสามารถค้นพบโครงสร้างเชิงสาเหตุน่าจะมากที่สุดในหมู่LVs

ผลลัพธ์ (ไทย) 2:

สาเหตุที่เราสามารถมองข้ามสาเหตุของบรรพบุรุษของตน.
พ่อแม่ของโหนดในรูปแบบชุดที่เล็กที่สุดของตัวแปร
ที่เป็นอิสระตามเงื่อนไขที่เกี่ยวข้อง
ถือ สมมติฐานนี้จะช่วยลดความซับซ้อน
ของสมการ (2) และความน่าจะเป็นร่วมกันของรูปที่
1 จะช่วยลดความยุ่งยาก:, P
B
C
D
E? = P หรือไม่? × P? B? ×
P? C?
B หรือไม่? × P? E? C? × P? D? C ?. โดยการยอมรับ
สาเหตุสันนิษฐานมาร์คอฟจากนั้นเราจะสามารถสรุป
ความสัมพันธ์เชิงสาเหตุจากข้อมูลสังเกตการณ์
(ฟรีดแมน et al. 2000).
3 การพัฒนาวิธีการ
3.1 เหตุผลและภาพรวมของ
วิธีที่นำเสนอ
ความสนใจหลักของการศึกษา SEM คือโครงสร้าง
รูปแบบคือความสัมพันธ์ระหว่าง LVs (หรือทฤษฎี
โครงสร้าง) LVs จะถือว่าเป็นสำรวจ
ปรากฏการณ์ที่ไม่สามารถวัดได้โดยตรง อะไรคือสิ่งที่
สังเกตได้ แต่เป็นรายการวัดของแต่ละ
เลเวล, ปัจจัยการผลิตดิบไปยังรูปแบบ SEM การศึกษา SEM
จึงยังอยู่ที่วัดรูปแบบที่มีความสัมพันธ์
ในรายการการวัดและ LVs- ของพวกเขา
ที่ทดสอบวิธีการที่ดี LVs ถูกวัดจริง.
ครั้งแรกที่ได้รับชุดของรายการการวัดวิธีที่สามารถ
ที่เราระบุ LVs ครอบคลุม? คำถามนี้ไม่
ได้มักจะเกิดขึ้นในวรรณคดี SEM เพราะที่พบ
วิธี SEM (เช่นการวิเคราะห์องค์ประกอบเชิงยืนยัน
(CFA) ในลิสเรลและ PLS) ส่วนใหญ่ทำงานในยืนยัน
โหมดโดย prespecifying ซึ่งวัด
โหลดรายการที่ LVs (Gefen et al. 2000 ) Lee et al.
(1997) วิพากษ์วิจารณ์โหมดการยืนยันนี้ชี้ให้เห็น
BN เป็นทางเลือกที่มีศักยภาพสำหรับการวิเคราะห์สอบสวน.
อย่างไรก็ตามการสร้างพันล้านในการปรากฏตัวของที่ซ่อนอยู่
LVs เป็นปัญหาขี้ปะติ๋วที่ได้รับการยอมรับ
ว่าเป็นหนึ่งในสิ่งสำคัญ ๆ แก้ปัญหา
ในวรรณคดี BN (คูเปอร์ 1995 ฟรีดแมน 1997).
มีสองปัญหาพื้นฐานที่จะได้รับการแก้ไขมีดังนี้
(1) การตรวจสอบโครงสร้าง (หรือสถานที่) ของ LVs และ
(2). การคำนวณค่าของ LVs ระบุที่
พันล้าน วรรณกรรมเท่านั้นที่อยู่ในประเด็นที่สอง
โดยไม่ต้องจัดการกับ problem.10 โครงสร้าง Elidan
และฟรีดแมน (2001) แสดงให้เห็นว่าแม้การเรียนรู้
มิติที่จำนวนของค่าที่เป็นไปได้ของ
LVs เป็นเรื่องยาก คูเปอร์ (1995) และ Chickering และ
10 นี้จะเรียกว่าเป็นปัญหาโครงสร้างของ LVs เพราะการกำหนด
สถานที่ตั้งของ LVs ใน BN ยังระบุโครงสร้าง BN.
Heckerman (1997) พิจารณากรณีที่เรียบง่ายที่มี
อยู่เพียง LV ซ่อนเดียวกับ โครงสร้างที่รู้จักกัน.
สิ่งที่ยังไม่ทราบและจำเป็นต้องได้รับการพิจารณา
เป็นเพียงค่าของ LV นี้ นี้ช่วยลดความยุ่งยาก
ปัญหา LV ซ่อนอยู่ในชนิดพิเศษของข้อมูลที่ขาดหายไป
ปัญหาที่ค่าทั้งหมดของเลเวลที่ขาดหายไป ใส่ร้าย
วิธีเช่นการคาดการณ์สูงสุด
ขั้นตอนวิธีการที่สามารถใช้เพื่อใส่ร้ายค่าที่ขาดหายไป.
ในทำนองเดียวกัน Binder, et al (1997) สมมติว่าสมบูรณ์
โครงสร้างเครือข่ายที่มีสถานที่ตั้งของ LVs
เป็นที่รู้จักและมีเป้าหมายที่จะเรียนรู้พารามิเตอร์ BN ใน
การปรากฏตัวของ LVs แต่เมื่อโครงสร้างบางอย่าง
ที่มีส่วนเกี่ยวข้องความยากลำบากที่เกิดขึ้นจากการที่มีไม่ จำกัด
จำนวน LVs ซ่อนและไม่ จำกัด จำนวน
ของโครงสร้างเครือข่ายที่จะมีพวกเขา (คูเปอร์ 1995).
การกำหนดโครงสร้างเครือข่ายจึง NP-hard11 และ
วิธีการแก้ปัญหาอาจมีความจำเป็น ยกตัวอย่างเช่น
Elidan et al, (2000) เสนอวิธีการที่ "ธรรมชาติ" โดย
ระบุลายเซ็น "โครงสร้าง" ของ LVs ที่ซ่อนอยู่
ซึ่งใช้แก้ปัญหาในการระบุ "semicliques" เมื่อ
แต่ละตัวแปรที่เชื่อมต่อไปอย่างน้อยครึ่งหนึ่งของ
คนอื่น ๆ ถ้าเช่น semiclique มีการตรวจพบตัวแปรที่ซ่อนอยู่
แนะนำว่าเป็นโหนดแม่เพื่อแทนที่
semiclique ซิลวา, et al (2006) สอบสวนเฉพาะกิจนี้
แนวทางและนำเสนอวิธีการสำหรับการกำหนด
สถานที่ตั้งของ LVs อยู่บนพื้นฐานของความแตกต่าง tetrad ที่
พูดอย่างอิสระจับ intercorrelations ระหว่าง
ตัวแปรที่สี่ (Spirtes et al. 2000 พี. 264) อย่างไรก็ตาม
วิธีการของซิลวา, et al (2006) เพียง แต่มุ่งเน้นไปที่การเชิงเส้น
LVs อย่างต่อเนื่องที่ความสัมพันธ์ตาม
ความแตกต่าง tetrad มีผลบังคับใช้.
โดยสรุปแม้ว่าวรรณกรรม BN ได้ทำบางส่วน
ความคืบหน้าในการพัฒนาวิธีการในการตรวจสอบ "ซ่อน"
LVs จากข้อมูลที่ดีที่สุดของความรู้ของเรา
สร้าง BN กับ LVs จากรายการที่วัด
ยังคงไม่ได้รับการประสบความสำเร็จ อัลกอริทึม LVI เสนอ
คือการพัฒนาจึง (§3.2) เพื่อกรอกข้อมูลลงในช่องว่างนี้ มัน
ใช้ความจริงของความเป็นอิสระเป็นเงื่อนไข
กลุ่มอาคารที่ให้ตีความสาเหตุให้
รูปแบบการวัด (§3.2.1); ค่าของ LV
จะถูกกำหนดโดยการเขียนโปรแกรมไม่เป็นเชิงเส้นที่เพิ่ม
ความเป็นอิสระเงื่อนไข (§3.2.2) ที่เกิดขึ้นจริง
11 สำหรับโหนด n จำนวนที่เป็นไปได้ BN โครงสร้างคือ F? n? =
?
n
i = 1 -1? i + 1Cin
2i? n-I? F? n-I ?. สำหรับ n = 2, โครงสร้างที่เป็นไปได้ 3;
สำหรับ n = 3 ก็คือ 25; และ n = 5 มันเป็น 29,000 (คูเปอร์และ Herskovits
1992).
เจิ้งเหอและ Pavlou: นิวเบส์เครือข่ายโครงสร้างวิธีการรุ่นที่มีตัวแปรแฝง
. 372 ระบบสารสนเทศเพื่อการวิจัย 21 (2), PP 365-391, © 2010 INFORMS
อัลกอริทึม นำเสนอใน§3.2.3ซึ่งจะนำดิบ
รายการวัดเป็นปัจจัยการผลิตและผลระบุ
LVs.
ประการที่สองหลังจาก LVs จะมีการระบุวิธีการที่เราสามารถ
ค้นพบโครงสร้างเชิงสาเหตุน่าจะเป็นที่สุดในหมู่
LVs?

ผลลัพธ์ (ไทย) 3:

เพราะเราสามารถมองข้ามสาเหตุของบรรพบุรุษของมันพ่อแม่ของโหนดในรูปแบบของตัวแปรชุดเล็กซึ่งเป็นเงื่อนไขที่เกี่ยวข้องถือ สมมติฐานนี้จะช่วยลดความซับซ้อนสมการ ( 2 ) และข้อ ความน่าจะเป็นของตัวเลข1 ง่าย : ป่าบีซีDE = PA PB ××พีซีb × PE C × PD โดยรับโมเดลเชิงสาเหตุแบบเดิม เราสามารถอนุมานจากข้อมูลที่ได้จากการสังเกตบางความสัมพันธ์เชิงสาเหตุ( ฟรีดแมน et al . 2000 )3 . การพัฒนาวิธีการ3.1 . หลักการและภาพรวมของวิธีที่เสนอความสนใจหลักของ SEM ศึกษาเป็นโครงสร้างรูปแบบ คือ ความสัมพันธ์ระหว่าง LVS ( หรือทฤษฎีโครงสร้าง ) จะถือว่าเป็น unobservable LVSปรากฏการณ์ที่ไม่สามารถวัดได้โดยตรง อะไรคือสังเกต อย่างไรก็ตามมีรายการของแต่ละวัดLV กระผมดิบกับ SEM รุ่น จากการศึกษาจึงยังมีอยู่รูปแบบการวัดความสัมพันธ์ในการวัดรายการและ LVS ของพวกเขา -ที่ทดสอบอย่างไรดี LVS ที่วัดได้จริงครั้งแรก , ได้รับชุดของรายการวัดได้อย่างไรเราระบุครอบคลุม LVS ? คำถามนี้ไม่ได้ไม่ได้เกิดขึ้นบ่อยๆใน SEM วรรณกรรมเพราะสามัญวิธี SEM ( เช่นการวิเคราะห์องค์ประกอบเชิงยืนยัน( CFA ) ในโปรแกรมลิสเรลและ pls ) ส่วนใหญ่ทำงานในองค์ประกอบเชิงยืนยันโหมดการวัด prespecifying ซึ่งรายการโหลดที่ LVS ( gefen et al . 2000 ) ลี et al .( 1997 ) วิจารณ์โหมดยืนยันนี้ ชี้ว่าซึ่งเป็นทางเลือกที่มีศักยภาพสำหรับการวิเคราะห์เชิงสํารวจอย่างไรก็ตาม การสร้างตลาดในการแสดงตนของที่ซ่อนอยู่LVS เป็นปัญหานอนทริเวียล ที่ได้รับการยอมรับเป็นหนึ่งใน ที่สำคัญ ยังไม่สามารถคลี่คลายปัญหาใน BN วรรณกรรม ( คูเปอร์ 1995 ฟรีดแมน 1997 )มีสองประเด็นหลักที่จะ addressed :( 1 ) ตรวจสอบโครงสร้าง ( หรือตำแหน่ง ) ของ LVS , และ( 2 ) การคำนวณค่าของระบุ LVS .โดย BN วรรณกรรมเท่านั้นที่อยู่ 2 เรื่องโดยไม่ต้องจัดการกับโครงสร้าง problem.10 elidanและ ฟรีดแมน ( 2001 ) แสดงให้เห็นว่า แม้แต่การเรียนdimensionality จำนวนค่าที่เป็นไปได้ของLVS ยาก คูเปอร์ ( 1995 ) และโปรแกรมและ10 นี้จะเรียกว่าปัญหา LVS เพราะกำหนดโครงสร้างสถานที่ตั้งของ LVS ใน BN ยังกำหนดโครงสร้างการลงทุนheckerman ( 1997 ) พิจารณากรณีง่ายที่มีมีอยู่ตัวเดียวที่ซ่อน LV กับรู้จักโครงสร้างสิ่งที่ยังคงไม่รู้จัก และต้องกำหนดเป็นเพียงค่าของเลเวลนี้ นี้ง่ายซ่อน LV ปัญหาพิเศษประเภทของข้อมูลที่หายไปปัญหาที่ค่าทุกค่าของ LV หายไป การใส่ความวิธีการ เช่น ความคาดหวังสูงสุดนี้สามารถใช้ในการใส่ความหายค่าในทำนองเดียวกัน , et al . ( 1997 ) สมมติว่า สมบูรณ์โครงสร้างเครือข่ายที่มีสถานที่ตั้งของ LVSเป็นที่รู้จักกัน และมีเป้าหมายที่จะเรียนรู้ 3 พารามิเตอร์การปรากฏตัวของ LVS . อย่างไรก็ตาม เมื่อบางโครงสร้างที่เกี่ยวข้อง ปัญหาที่เกิดขึ้นจากการไม่ จำกัดหมายเลข LVS ที่ซ่อนอยู่และไม่ จำกัด จำนวนของโครงสร้างของเครือข่ายที่จะมีพวกเขา ( คูเปอร์ 1995 )การกำหนดโครงสร้างเครือข่ายจึง np-hard11 และวิธีฮิวริสติกอาจจำเป็น สำหรับอินสแตนซ์elidan et al . ( 2000 ) ได้เสนอแนวคิด " ธรรมชาติ " โดยการระบุโครงสร้าง " ลายเซ็น " ของ LVS ที่ซ่อนอยู่ซึ่งใช้สำหรับการระบุ " semicliques " เมื่อของแต่ละตัวแปรที่เชื่อมต่อเพื่ออย่างน้อยครึ่งหนึ่งของคนอื่น ๆ ถ้าเป็น semiclique ตรวจพบตัวแปรที่ซ่อนอยู่เป็นที่รู้จักในฐานะผู้ปกครองโหนดเพื่อแทนที่semiclique . ซิลวา et al . ( 2006 ) คำถามนี้ของแนวทางและนำเสนอวิธีการกำหนดสถานที่ตั้งของ LVS ตามเทแทรดความแตกต่างนั้นมีค่าอยู่ระหว่างจับหลวม ๆพูดสี่ตัวแปร ( spirtes et al . 2543 , หน้า 264 ) อย่างไรก็ตามวิธีการของซิลวา et al . ( 2006 ) แต่เน้นเชิงเส้นซึ่งความสัมพันธ์ตาม LVS อย่างต่อเนื่องความแตกต่าง เทแทรดเป็นใช้ได้โดยสรุปแล้ว แม้ว่า BN วรรณกรรมได้บางความคืบหน้าในการพัฒนาวิธีการตรวจหา " ซ่อน "LVS จากข้อมูลเพื่อที่ดีที่สุดของความรู้ของเราสร้างตลาดด้วยการวัด LVS จากรายการยังไม่ประสบผลสำเร็จ เสนอค่าขั้นตอนวิธีคือการพัฒนาดังนั้น ( § 3.2 ) เพื่อกรอกข้อมูลลงในช่องว่างนี้ มันใช้สัจพจน์ของความเป็นอิสระที่มีเงื่อนไขเป็นการสร้างบล็อกที่ให้ตีความสาเหตุเพื่อโมเดลการวัด ( §ดำเนินงาน ) ; ค่าของ LVจะถูกกำหนดโดยการเขียนโปรแกรมเชิงเส้นที่เพิ่มความเป็นอิสระที่มีเงื่อนไข ( § 3.2.2 ) ที่เกิดขึ้นจริง11 N โหนด จำนวนของโครงสร้างซึ่งเป็นไปได้คือ F N =nฉัน = 1 − 1i + 1cin2in ถ้า n −− 1 ) = 2 , โครงสร้างที่เป็นไปได้คือ 3n = 3 , 25 ; n = 5 , 29 , 000 ( คูเปอร์และเฮสคาเวิตส์1992 )เจิง pavlou : ใหม่เครือข่ายคชกรรมวิธีการแบบจำลองโครงสร้างที่มีตัวแปรแฝง372 ระบบข้อมูลวิจัย 21 ( 2 ) , pp . 365 –สงวนลิขสิทธิ์ 2553 แจ้ง 391 ,ขั้นตอนวิธีที่นำเสนอใน§ 3.2.3 ซึ่งใช้วัตถุดิบการวัดรายการเป็นอินพุตและเอาต์พุตที่ระบุLVS .ประการที่สอง หลังจาก LVS จะระบุวิธีการที่เราสามารถค้นพบที่น่าจะเป็นไปได้มากที่สุด