A general algorithm for covariance modeling of discrete data

ما یک الگوریتم ارائه می دهیم که عموما به داده های گسسته هر یک از الگوریتم های مدل سازی کوواریانس که در ابتدا برای پاسخ گاوس در نظر گرفته شده است، به وسیله یک رویکرد کووالوس گاوسی پیشنهاد می شود. مدل سازی کوواریانس ابزار قدرتمند برای استخراج معنی از داده های چند متغیره است و الگوریتم های سریع برای داده های گاوسی مانند تحلیل عامل و مدل های گرافیکی گاوسی به طور گسترده ای در دسترس هستند. الگوریتم ما این ابزار را به طور کلی برای تحلیلگران داده های گسسته به کار می برد و می تواند روش مدل سازی کوواریانس مبتنی بر احتمال را برای داده های گاوسی با هر مجموعه ای از توزیع های حاشیه ای گسسته ترکیب کند. پیش از این ابزارهایی برای داده های گسسته به طور کلی به یک خانواده توزیع یا پارادایم مدل سازی کوواریانس اختصاص یافت یا در غیر این صورت وجود نداشت. الگوریتم ما انعطاف پذیر تر از روش های متناوب است، استفاده از الگوریتم های سریع موجود برای داده های گاوسی را به دست می آورد، و شبیه سازی ها نشان می دهد که از روش های مدل سازی گرافیکی و تجزیه و تحلیل عوامل رقابتی برای داده های شمارش و دوزیستی برترتر است. ما علاوه بر این نشان می دهد که در مدل گرافیکی گواسی کوپول با حاشیه های گسسته، روابط استقلال شرطی در متغیرهای گاوسی پنهان توسط مشاهدات گسسته ارث می برند. روش ما با یک مدل گرافیکی و تجزیه و تحلیل فاکتور در مجموعه داده های زیست محیطی فراوانی از فراوانی گونه ها نشان داده شده است.