used in the LVI algorithm is descri

used in the LVI algorithm is described in Table 1. LVI
has two steps (Table 2).
The flowchart of the LVI algorithm is shown in
Figure 2 and its algorithmic steps are outlined in
Appendix A. The inputs to the LVI algorithm are the
measurement items and the outputs are the disjoint
item sets, each of which represents an LV. Each L1
contains a measurement item. L2 is generated using
only the necessary condition C-1. This is because
the axiom of conditional independence of L2 is not
directly testable (§3.2.2). Therefore, the LVI algorithm
works best for LVs that are measured with more than
two measurement items, as is strongly recommended
by SEM researchers (e.g., Kline 1998, Bollen 1989).
Then, LVI generates Lk+1from Lk by examining candidate
item sets based on C-1 and C-2 (see also Table 1).
Step 2 prunes all valid item sets by eliminating
all subsets and overlapping measurement items.
To ensure the smallest number of LVs, the LVI algorithm
begins from the largest item set (the one with
the most measurement items) among all Lk. It then
eliminates the overlapping items from the item set
that is affected the least, after removing any overlapping
items. Finally, the LVI algorithm outputs the disjoint
item sets, each of which represents an underlying
LV, and the value of each LV is computed according
to formulation (4).18
3.3. Stage 2. Constructing a Causal Bayesian
Network for Structural Models
After the LVs are identified and their values are computed,
the next step is to build a BN to test the causal
18 Additional information is contained in an online appendix to this
paper that is available on the Information Systems Research website
(http://isr.pubs.informs.org/ecompanion.html).
relationships among the LVs. This corresponds to the
structural model testing part of SEM. The common
approach to learning a BN from data is by specifying
a scoring function (typically variations of the
likelihood function) of each candidate network structure
and then selecting the BN with the highest score
(Friedman et al. 2000). Because examining the possible
network structure is NP-hard, the search algorithms
(for the optimal structure) in the BN literature are
almost exclusively variations of greedy algorithms. To
reduce the number of searches, Spirtes et al. (2002)
proposed the generic PC algorithm to generate an initial
starting point and then used a greedy search algorithm
based on the scoring function to reduce search
complexity. We follow this common practice and discover
the most likely BN in two steps: (1) generate an
initial class of equivalent BN using PC2 (our proposed
variation of the PC algorithm), and (2) select the
most likely causal BN using a new scoring function
designed specifically for ordinal and discrete (Likerttype)
data that are commonly found in IS research.
3.3.1. Generating Equivalent Classes of Bayesian
Networks from Data. Given a set of data, is it possible
to create a unique causal Bayesian network? The
consensus is that one cannot distinguish between
BN that specify the same conditional independence
from data alone. It is possible that two or more
BN structures represent the exact same constraints of
conditional independence (every joint probability distribution
generated by one BN structure can also be
generated by the other). In this case, the BN structures
are said to be likelihood equivalent.
When learning an equivalent class of structures
from data, we can conclude that the true BN is possibly
any one of the networks in this class (Friedman
et al. 2000). An equivalence class of network structures
can be uniquely represented by a partially
directed graph, where a directed edge X → Y suggests
that all members of the equivalence class contain
the arc X →Y . Otherwise, an undirected X–Y edge
denotes that some members of the class contain arc
X→Y while others contain arc Y →X. Learning the
causal relationships among LVs can be regarded as
the process of “directing” a graph.
The BN literature (e.g., Glymour et al. 1987,
Heckerman et al. 1995) has developed methods to
generate equivalent structures that have the same
Zheng and Pavlou: New Bayesian Networks Method for Structural Models with Latent Variables
Information Systems Research 21(2), pp. 365–391, ©2010 INFORMS 375
Table 2Detailed Steps of the LVI Algorithm
Step 1: Identify all sets of measurement items (item sets) that satisfy the axiom of conditional independence
LVI uses a maximum spanning approach. It starts with a randomly selected measurement item and it incrementally adds items to the item set. It stops when
no item can be added to the item set without violating the axiom. Denote Lk the item set with k measurement items that meet the conditional independence
axiom. The core step of the algorithm is to span from Lk to Lk+1 the item set containing k +1 measurement items that still meet the axiom. This is done by
adding an item not already in Lk into Lk , and then testing the axiom for the newitem set with these k +1 items using the method i

ผลลัพธ์ (ไทย) 1:

ใช้อัลกอริทึมในลียงได้อธิบายไว้ในตารางที่ 1 ลียงมีสองขั้นตอน (ตารางที่ 2)จะแสดงเป็นแผนผังลำดับงานของอัลกอริทึมลียงรูปที่ 2 และขั้นตอนของอัลกอริทึมไว้ในภาคผนวก a กับอัลกอริทึมลียงที่จะมีรายการวัดและผลที่ไม่เป็นสมาชิกร่วมสินค้าชุด แต่ละที่แสดงเป็นเลเวล แต่ละ L1ประกอบด้วยรายการประเมิน L2 ถูกสร้างขึ้นโดยใช้เท่าจำเป็นสภาพ C-1 ทั้งนี้เนื่องจากสัจพจน์ของความเป็นอิสระแบบมีเงื่อนไขของ L2 ไม่ได้กับการสร้างโดยตรง (§3.2.2) ดังนั้น อัลกอริทึมลียงดีที่สุดสำหรับ LVs ที่วัดด้วยมากกว่ารายการวัดสอง ตามที่ขอแนะนำโดยนักวิจัย SEM (เช่น Kline 1998, Bollen 1989)จากนั้น ลียงสร้าง Lk + แอล 1from โดยการตรวจสอบผู้สมัครชุดสินค้า C-1 และ C-2 (ดูตารางที่ 1)ขั้นตอน 2 prunes ชุดสินค้าที่ถูกต้องทั้งหมด โดยการตัดชุดย่อยและรายการประเมินที่ทับซ้อนกันให้จำนวนที่น้อยที่สุดของ LVs อัลกอริทึมลียงเริ่มจากการตั้งค่าสินค้าที่ใหญ่ที่สุด (เดียวกับสุดวัดรายการ) ระหว่างแอลทั้งหมด มันแล้วกำจัดรายการทับซ้อนกันจากชุดสินค้าที่ได้รับผลกระทบน้อยที่สุด หลังจากทับซ้อนกันรายการ ในที่สุด อัลกอริทึมลียงผลที่ไม่เป็นสมาชิกร่วมสินค้าชุด แต่ละที่แสดงเป็นต้นLV และค่าของแต่ละ LV คำนวณตามเพื่อกำหนด (4) .183.3. ขั้นที่ 2 สร้างทฤษฎีเชิงสาเหตุเครือข่ายสำหรับรูปแบบโครงสร้างหลังจาก LVs จะระบุ และจะ คำนวณค่าขั้นตอนต่อไปคือการ สร้างพันล้านเพื่อทดสอบการเชิงสาเหตุข้อมูลเพิ่มเติมที่ 18 อยู่ในภาคผนวกออนไลน์นี้กระดาษที่มีอยู่บนเว็บไซต์ข้อมูลวิจัยระบบ(http://isr.pubs.informs.org/ecompanion.html)ความสัมพันธ์ระหว่าง LVs นี้สอดคล้องกับการโครงสร้างแบบทดสอบส่วนของ sem การทั่วไปเป็นวิธีการเรียนรู้แบบพันล้านจากข้อมูล โดยระบุฟังก์ชั่นการให้คะแนน (โดยทั่วไปรูปแบบของการฟังก์ชันความน่าเป็น) ของแต่ละโครงสร้างเครือข่ายผู้สมัครแล้ว เลือกพันล้านกับคะแนนสูงสุด(ฟรีดแมน et al. 2000) เนื่องจากตรวจสอบเป็นไปได้โครงสร้างเครือข่ายเป็น NP ยาก อัลกอริทึมการค้นหา(สำหรับโครงสร้างที่ดีที่สุด) พันล้านวรรณคดีมีโดยเฉพาะรูปแบบของอัลกอริทึมโลภ ถึงลดจำนวนของการค้นหา Spirtes et al. (2002)อัลกอริทึม PC ทั่วไปเพื่อสร้างการเริ่มต้นการนำเสนอจุดเริ่มต้น และใช้อัลกอริทึมการค้นหาโลภตามหน้าที่ให้คะแนนลดการค้นหาความซับซ้อน เราทำตามวิธีนี้ทั่วไป และค้นพบพันล้านมากที่สุดในสองขั้นตอน: (1) สร้างการเริ่มต้นคลาสของพันล้านเทียบเท่าใช้ PC2 (ของเรานำเสนอเปลี่ยนแปลงได้ของอัลกอริทึม PC), และ (2) เลือกการพันล้านเชิงสาเหตุส่วนใหญ่มักใช้ฟังก์ชันนับคะแนนใหม่โดยเฉพาะสำหรับลำดับ และต่อเนื่อง (Likerttype)ข้อมูลที่อยู่ในการวิจัยคือ3.3.1 การสร้างทฤษฎีประเภทเทียบเท่าเครือข่ายจากข้อมูล รับชุดข้อมูล เป็นไปได้เพื่อสร้างเครือข่ายทฤษฎีเชิงสาเหตุเฉพาะ การมติเป็นที่หนึ่งไม่สามารถแยกแยะระหว่างพันล้านที่ระบุเป็นอิสระแบบมีเงื่อนไขเดียวกันจากข้อมูลเพียงอย่างเดียว เป็นไปได้ที่สองหรือมากกว่าโครงสร้างพันล้านแสดงข้อจำกัดเดียวที่แน่นอนของความเป็นอิสระแบบมีเงื่อนไข (ทุกความน่าเป็นร่วมแจกจ่ายสร้างโดยโครงสร้างพันล้านได้สร้างโดย) ในกรณีนี้ โครงสร้างพันล้านจะกล่าวว่า เป็นโอกาสที่เทียบเท่าเมื่อเรียนรู้ในชั้นที่เทียบเท่าของโครงสร้างจากข้อมูล เราสามารถสรุปได้ว่า เป็นพันล้านเป็นหนึ่งในเครือข่ายในชั้นนี้ (ฟรีดแมนet al. 2000) ในชั้นสมมูลของโครงสร้างเครือข่ายสามารถแสดงเอกลักษณ์โดยมีบางส่วนนำกราฟ ที่ขอบโดยตรง X → Y แนะนำที่ประกอบด้วยสมาชิกทั้งหมดของระดับเทียบเท่าอาร์ X →Y มิฉะนั้น X – Y ขอบ undirectedหมายถึงการที่สมาชิกของคลาประกอบด้วยส่วนโค้งX→Y ในขณะที่คนอื่น ๆ ประกอบด้วยส่วนโค้ง Y →X การเรียนรู้ความสัมพันธ์เชิงสาเหตุระหว่าง LVs สามารถถือได้ว่าเป็นกระบวนการ "กำกับ" กราฟเอกสารประกอบการขายหุ้นสามัญ (เช่น Glymour et al. 1987Heckerman et al. 1995) ได้พัฒนาวิธีการสร้างโครงสร้างเทียบเท่าที่มีเหมือนกันเจิ้งและ Pavlou: ทฤษฎีใหม่เครือข่ายวิธีสำหรับรูปแบบโครงสร้างมีตัวแปรแฝงระบบข้อมูลวิจัย 21(2), pp. 365 – 391, © 2010 แจ้ง 375ตารางขั้นตอน 2Detailed ของอัลกอริทึมลียงขั้นตอนที่ 1: ระบุชุดทั้งหมดของวัด (ชุดสินค้า) ที่ตอบสนองสัจพจน์ของความเป็นอิสระแบบมีเงื่อนไขลียงใช้สูงสุดด้วยวิธีการ เริ่มรายการประเมินแบบสุ่ม และแบบเพิ่มหน่วยเพิ่มรายการในชุดรายการ จะหยุดเมื่อไม่มีรายการสินค้าสามารถเพิ่มไปรายการที่ตั้งโดยไม่ต้องละเมิดสัทพจน์ แสดง Lk สินค้าตั้ง k วัดรายการที่ตรงกับความเป็นอิสระแบบมีเงื่อนไขสัจพจน์ ขั้นตอนหลักของอัลกอริทึมมีการ ขยายจาก Lk Lk + 1 ชุดสินค้าที่มี k + 1 วัดรายที่ยัง ตอบสนองสัทพจน์ สิ่งนี้ทำโดยเพิ่มสินค้าไม่ได้ใน Lk แอลเค และทดสอบสัจพจน์สำหรับ newitem ในชุดเหล่านี้รายการ k + 1 โดยใช้วิธีการ

ผลลัพธ์ (ไทย) 2:

ใช้ในขั้นตอนวิธีการ LVI อธิบายไว้ในตารางที่ 1 LVI
มีสองขั้นตอน (ตารางที่ 2).
ผังของขั้นตอนวิธี LVI จะแสดงใน
รูปที่ 2 และขั้นตอนการอัลกอริทึมที่มีการระบุไว้ใน
ภาคผนวกปัจจัยการผลิตไปยังขั้นตอนวิธีการ LVI เป็น
วัด รายการและเอาท์พุทที่มีเคล็ด
ชุดรายการซึ่งแต่ละหมายถึงเลเวล แต่ละ L1
มีรายการวัด L2 ถูกสร้างขึ้นโดยใช้
เพียงเงื่อนไขที่จำเป็น C-1 เพราะนี่คือ
ความจริงของความเป็นอิสระตามเงื่อนไขของ L2 ไม่ได้
ทดสอบโดยตรง (§3.2.2) ดังนั้นขั้นตอนวิธี LVI
ที่ดีที่สุดสำหรับ LVs ที่วัดที่มีมากกว่า
สองรายการวัดตามที่ขอแนะนำ
โดยนักวิจัย SEM (เช่น Kline ปี 1998 Bollen 1989).
จากนั้น LVI สร้างลก + 1from ลกโดยการตรวจสอบผู้สมัคร
ชุดรายการตาม ใน C-1 และ C-2 (ดูตารางที่ 1).
ขั้นตอนที่ 2 พรุนชุดรายการทั้งหมดที่ถูกต้องโดยการกำจัด
ย่อยและทับซ้อนกันรายการวัด.
เพื่อให้แน่ใจว่าจำนวนที่น้อยที่สุดของ LVs ขั้นตอนวิธีการ LVI
เริ่มต้นจากการตั้งค่ารายการที่ใหญ่ที่สุด (คน เป็นหนึ่งเดียวกับ
รายการที่วัดส่วนใหญ่) ในทุกลก จากนั้นก็
จะช่วยลดรายการที่ทับซ้อนกันจากชุดรายการ
ที่มีผลกระทบน้อยหลังจากลบทับซ้อนใด ๆ
รายการ สุดท้ายอัลกอริทึม LVI ออกผลลัพธ์เป็นเคล็ด
ชุดรายการซึ่งแต่ละแสดงให้เห็นถึงพื้นฐาน
LV และความคุ้มค่าของแต่ละเลเวลจะคำนวณตาม
สูตร (4) 0.18
3.3 2. ขั้นตอนการสร้างคชกรรมสาเหตุ
เครือข่ายสำหรับรุ่นโครงสร้าง
หลังจากที่มีการระบุ LVs และค่าของพวกเขาได้รับการคำนวณ
ขั้นตอนต่อไปคือการสร้าง BN เพื่อทดสอบสาเหตุ
18 ข้อมูลเพิ่มเติมที่มีอยู่ในภาคผนวกออนไลน์นี้
กระดาษที่มีอยู่ใน เว็บไซต์ระบบสารสนเทศการวิจัย
(http://isr.pubs.informs.org/ecompanion.html).
ความสัมพันธ์ในหมู่ LVs นี้สอดคล้องกับ
ส่วนหนึ่งของโครงสร้างรูปแบบการทดสอบของ SEM โดยทั่วไป
วิธีการที่จะเรียนรู้จาก BN ข้อมูลโดยระบุ
ฟังก์ชั่นการให้คะแนน (ปกติรูปแบบของ
ฟังก์ชั่นความน่าจะเป็น) ของโครงสร้างแต่ละเครือข่ายผู้สมัคร
แล้วเลือก BN ที่มีคะแนนสูงสุด
(ฟรีดแมน et al. 2000) เพราะการตรวจสอบเป็นไปได้
โครงสร้างเครือข่ายเป็น NP-ยากขั้นตอนวิธีการค้นหา
(สำหรับโครงสร้างดีที่สุด) ในวรรณคดี BN มี
เกือบเฉพาะรูปแบบของอัลกอริทึมโลภ เพื่อ
ลดจำนวนของการค้นหา Spirtes et al, (2002)
ที่นำเสนอขั้นตอนวิธีพีซีทั่วไปในการสร้างครั้งแรก
จุดเริ่มต้นและจากนั้นใช้วิธีการค้นหาโลภ
ขึ้นอยู่กับฟังก์ชั่นการให้คะแนนเพื่อลดการค้นหา
ความซับซ้อน เราปฏิบัติตามหลักปฏิบัติทั่วไปนี้และค้นพบ
ส่วนใหญ่มีแนวโน้ม BN ในสองขั้นตอน (1) สร้าง
ระดับเริ่มต้นของเทียบเท่า BN ใช้ PC2 (เสนอของเรา
เปลี่ยนแปลงของอัลกอริทึมพีซี) และ (2) เลือก
สาเหตุส่วนใหญ่มีแนวโน้ม BN ใช้ใหม่ ฟังก์ชั่นการให้คะแนน
การออกแบบเฉพาะสำหรับลำดับและไม่ต่อเนื่อง (Likerttype)
ข้อมูลที่มักจะพบในการวิจัย.
3.3.1 สร้างการเรียนเทียบเท่าของคชกรรม
เครือข่ายจากข้อมูล รับชุดของข้อมูลก็เป็นไปได้
ที่จะสร้างเครือข่ายที่ไม่ซ้ำกันคชกรรมสาเหตุ?
ฉันทามติเป็นที่หนึ่งไม่สามารถแยกความแตกต่างระหว่าง
BN ที่ระบุความเป็นอิสระตามเงื่อนไขเดียวกัน
จากข้อมูลเพียงอย่างเดียว เป็นไปได้ว่าสองคนหรือมากกว่า
BN โครงสร้างแทนข้อ จำกัด เดียวกันของแน่นอน
อิสระเงื่อนไข (ทุกแจกแจงความน่าจะร่วมกัน
สร้างขึ้นโดยหนึ่ง BN โครงสร้างนอกจากนี้ยังสามารถ
สร้างขึ้นโดยที่อื่น ๆ ) ในกรณีนี้โครงสร้าง BN
จะกล่าวว่าเป็นโอกาสเทียบเท่า.
เมื่อเรียนรู้ระดับเทียบเท่าของโครงสร้าง
จากข้อมูลเราสามารถสรุปได้ว่าเป็นความจริง BN อาจจะเป็น
คนใดคนหนึ่งของเครือข่ายในชั้นนี้ (ฟรีดแมน
et al. 2000) ชั้นสมมูลของโครงสร้างเครือข่าย
สามารถแสดงไม่ซ้ำกันโดยบางส่วน
กราฟกำกับที่กำกับขอบ X → Y แสดงให้เห็น
ว่าสมาชิกทุกคนของชั้นสมมูลมี
โค้ง X → Y มิฉะนั้นไม่มีทิศทางขอบ X-Y
หมายถึงว่าสมาชิกของชั้นเรียนบางส่วนมีส่วนโค้ง
X → Y ขณะที่คนอื่นมีส่วนโค้ง Y → X การเรียนรู้
ความสัมพันธ์เชิงสาเหตุในหมู่ LVs สามารถถือเป็น
กระบวนการของการ "ผู้กำกับ" กราฟ.
วรรณกรรม BN (เช่น Glymour et al. 1987
Heckerman et al. 1995) ได้มีการพัฒนาวิธีการในการ
สร้างโครงสร้างเทียบเท่าที่มีเหมือนกัน
เจิ้งเหอและ Pavlou: นิวเบส์เครือข่ายโครงสร้างวิธีการรุ่นที่มีตัวแปรแฝง
ระบบสารสนเทศเพื่อการวิจัย 21 (2), PP 365-391, © 2010 INFORMS 375.
ตารางขั้นตอน 2Detailed ของ LVI ขั้นตอนวิธีการ
ขั้นตอนที่ 1: ระบุชุดทั้งหมดของรายการการวัด (ชุดรายการ) ที่ตอบสนองความจริงของความเป็นอิสระเงื่อนไข
LVI ใช้วิธีการทอดสูงสุด มันเริ่มต้นด้วยรายการการวัดการสุ่มเลือกและจะเพิ่มขึ้นเพิ่มรายการลงในชุดรายการ มันจะหยุดเมื่อ
ไม่มีรายการที่สามารถเพิ่มการตั้งค่ารายการโดยไม่ละเมิดความจริง แสดงว่าแอลรายการที่กำหนดกับรายการ K วัดที่ตรงกับความเป็นอิสระตามเงื่อนไข
ความจริง ขั้นตอนหลักของอัลกอริทึมที่จะขยายจากแอลเพื่อ LK + 1 ชุดรายการที่มี K 1 รายการการวัดที่ยังคงตอบสนองความจริง นี้จะกระทำโดย
การเพิ่มรายการที่ไม่ได้อยู่ในแอลแอลเข้าแล้วการทดสอบจริงสำหรับ newitem ที่กำหนดด้วยเหล่านี้ K 1 รายการโดยใช้วิธีการที่ฉัน

ผลลัพธ์ (ไทย) 3:

ค่าใช้ในขั้นตอนวิธีที่อธิบายไว้ในตารางที่ 1 ค่ามี 2 ขั้นตอน ( ตารางที่ 2 )ผังของค่าจะแสดงในขั้นตอนวิธีรูปที่ 2 และเป็นขั้นตอนที่อธิบายไว้ในชุดคำสั่งภาคผนวก ก. กระผมกับค่าของคือรายการและการวัดผลจะไม่ต่อเนื่องสินค้าชุดซึ่งแต่ละเป็น LV . แต่ละ L1ประกอบด้วยรายการประเมิน L2 จะถูกสร้างขึ้นโดยใช้เฉพาะเงื่อนไขจำเป็น c-1 . นี้เป็นเพราะสัจพจน์ของความเป็นอิสระที่มีเงื่อนไขของ L2 ไม่ได้ทดสอบได้โดยตรง ( § 3.2.2 ) ดังนั้น ค่าขั้นตอนวิธีงานที่ดีที่สุดสำหรับ LVS ที่วัดมากกว่าสองรายการการวัด เป็น ขอแนะนําโดยนักวิจัย SEM ( เช่น ไคลน์ 1998 bollen 1989 )แล้วค่าสร้าง LK + 1from LK โดยตรวจสอบผู้สมัครรายการชุดตาม c-1 C-2 และ ( ตารางที่ 1 )ขั้นตอนที่ 2 ชุด สินค้าทั้งหมด โดยการใช้ลูกพรุนจากทั้งหมดรายการและการวัดที่ทับซ้อนกันเพื่อให้แน่ใจว่าจำนวนที่น้อยที่สุดของ LVS , ค่าขั้นตอนวิธีเริ่มจากชิ้นใหญ่ที่สุดชุดหนึ่งกับมากที่สุดในบรรดารายการการวัด ) LK . มันแล้วไม่ซ้อนรายการจากรายการชุดที่ได้รับผลกระทบน้อยที่สุด หลังจากเอาซ้อนใด ๆรายการ ในที่สุด ค่าออกแบบไม่ต่อเนื่องสินค้าชุดแต่ละที่แสดงถึงพื้นฐานเลเวล และค่าของแต่ละ LV จะคำนวณตามการกำหนด ( 4 ) 183.3 . ขั้นตอนที่ 2 . การสร้างโมเดลเชิงสาเหตุแบบเบส์รูปแบบโครงสร้างเครือข่ายหลังจาก LVS ระบุ และค่านิยมของพวกเขาคำนวณขั้นตอนต่อไปคือการสร้างโครงการเพื่อทดสอบเชิงสาเหตุ18 ข้อมูลเพิ่มเติมมีอยู่ในภาคผนวกออนไลน์นี้กระดาษที่สามารถใช้ได้บนเว็บไซต์ระบบข้อมูลวิจัย( http : / / เดียว ผับ . แจ้ง . org / ecompanion . html )ความสัมพันธ์ระหว่าง LVS . นี้สอดคล้องกับส่วนการทดสอบโครงสร้างของ SEM ทั่วไปวิธีการเรียนรู้ต่อจากข้อมูลโดยระบุคะแนน ( โดยทั่วไป รูปแบบของฟังก์ชันฟังก์ชันความน่าจะเป็น ) ของผู้สมัครแต่ละโครงสร้างเครือข่ายแล้วเลือก 3 ด้วยคะแนนสูงสุด( ฟรีดแมน et al . 2000 ) เพราะการตรวจสอบเป็นไปได้โครงสร้างเครือข่ายของขั้นตอนวิธีการค้นหายาก( สำหรับโครงสร้างที่เหมาะสม ) ใน BN วรรณกรรมคือโดยเฉพาะการเปลี่ยนแปลงของอัลกอริทึมละโมบ เพื่อลดจำนวนการค้นหา spirtes et al . ( 2545 )เสนออัลกอริทึมคอมพิวเตอร์ทั่วไปในการสร้างครั้งแรกจุดเริ่มต้นและจากนั้นใช้ขั้นตอนวิธีการค้นหาตะกละตามการให้คะแนนการทำงานเพื่อลดการค้นหาความซับซ้อน เราทำตามนี้ปฏิบัติทั่วไป และการค้นพบโดย BN ส่วนใหญ่ในสองขั้นตอน : ( 1 ) สร้างชั้นเริ่มต้นของ BN เทียบเท่าใช้ pc2 ( ของเราเสนอการเปลี่ยนแปลงของคอมพิวเตอร์ขั้นตอนวิธี ) , ( 2 ) เลือกซึ่งสาเหตุส่วนใหญ่ใช้ฟังก์ชันการให้คะแนนใหม่ที่ออกแบบมาโดยเฉพาะสำหรับช่วงและไม่ต่อเนื่อง ( likerttype )ข้อมูลที่มักพบในงานวิจัย3.3.1 . การสร้างเท่ากับเรียนส์เครือข่ายจากข้อมูล ได้รับชุดของข้อมูลที่เป็นไปได้เพื่อสร้างเอกลักษณ์สาเหตุคชกรรมเครือข่าย ที่ฉันทามติคือว่าไม่สามารถแยกแยะระหว่าง3 กำหนดความเป็นอิสระที่มีเงื่อนไขเดียวกันจากข้อมูลเพียงอย่างเดียว เป็นไปได้ว่า สองคนหรือมากกว่าโครงสร้างซึ่งเป็นตัวแทนด้านเดียวกันแน่นอนการแจกแจงความน่าจะเป็นร่วมทุกเงื่อนไข ( เอกราชที่สร้างขึ้นโดยหนึ่งในโครงสร้างตลาด นอกจากนี้ยังสามารถที่สร้างขึ้นโดยอื่น ๆ ) ในกรณีนี้ ซึ่งโครงสร้างจะกล่าวว่า เป็นโอกาสที่เท่าเทียมเมื่อเรียนรู้เทียบเท่าระดับของโครงสร้างจากข้อมูล เราสามารถสรุปได้ว่า น้ำมันอาจจะจริงหนึ่งของเครือข่ายในชั้นนี้ ( ฟรีดแมนet al . 2000 ) เป็นลำดับชั้นของโครงสร้างเครือข่ายสามารถแทนโดยเฉพาะบางส่วนกราฟแบบมีทิศทางที่ตรงขอบ X Y แนะนำ→ keyboard - key - nameสมาชิกทั้งหมดของชั้นสมมูล ประกอบด้วยอาร์ค x → keyboard - key - name y มิฉะนั้น ขอบ undirected x - Yหมายถึง สมาชิกบางส่วนของชั้นเรียนประกอบด้วยส่วนโค้งX Y Y ในขณะที่คนอื่นมี→ keyboard - key - name โค้งการเรียนรู้→ keyboard - key - name Xความสัมพันธ์เชิงสาเหตุระหว่าง LVS สามารถถือเป็นกระบวนการของการ " กำกับ " กราฟโดย BN วรรณคดี ( เช่น glymour et al . 1987heckerman et al . 1995 ) ได้พัฒนาวิธีการสร้างโครงสร้างเทียบเท่าที่เหมือนกันเจิง pavlou : ใหม่เครือข่ายคชกรรมวิธีการแบบจำลองโครงสร้างที่มีตัวแปรแฝงระบบข้อมูลวิจัย 21 ( 2 ) , pp . 365 – 391 , สงวนลิขสิทธิ์ 2553 แจ้งจำนวน 375 คนตารางค่า 2detailed ขั้นตอนของขั้นตอนวิธีขั้นตอนที่ 1 : ระบุชุดวัด ( ชุดรายการ ) รายการที่ตรงกับเงื่อนไขสัจพจน์ของความเป็นอิสระค่าใช้สูงสุดครอบคลุมวิธีการ มันเริ่มต้นด้วยการสุ่มเลือกรายการและการวัดแบบเพิ่มหน่วยเพิ่มรายการไปยังรายการการตั้งค่า มันหยุดลงเมื่อไม่มีรายการที่สามารถเพิ่มรายการชุดโดยไม่ละเมิดสัจพจน์ . แสดงรายการชุด K LK วัดรายการที่ตรงกับเงื่อนไขความเป็นอิสระสัจพจน์ . ขั้นตอนหลักของขั้นตอนวิธีคือช่วงจากคุยกับ LK + 1 ชุดประกอบด้วยสินค้า k + 1 วัดรายการที่ยังพบความจริง . นี้จะกระทำโดยเพิ่มสินค้าไม่ได้ LK เป็น LK แล้วทดสอบสัจพจน์สำหรับ newitem ชุดเหล่านี้ K + 1 รายการเรา