Résumé : Les modèles à équations structurelles (SEMs) sont des modèles multivariés à variables latentes utilisés pour modéliser les structures de causalité dans les données. Une approche bayésienne d'estimation et de validation des modèles SEMs est proposée et l'identifiabilité des paramètres est étudiée. Cette étude montre qu'une étape de réduction des variables latentes au sein de l'algorithme de Gibbs permet de garantir l'identifiabilité des paramètres. Cette heuristique permet en fait d'introduire les contraintes d'identifiabilité dans l'analyse. Pour illustrer ce point, les contraintes d'identifiabilité sont calculées dans une application en marketing, dans laquelle les distributions des contraintes sont obtenues par combinaison des tirages a posteriori des paramètres.
Type de document :
Communication dans un congrès
42èmes Journées de Statistique, 2010, Marseille, France, France. 2010
https://hal.inria.fr/inria-00494790
Contributeur : Conférence Sfds-Hal
<>
Soumis le : jeudi 24 juin 2010 - 08:58:46
Dernière modification le : jeudi 2 février 2017 - 11:30:33
Document(s) archivé(s) le : lundi 27 septembre 2010 - 11:38:39
Séverine Demeyer, Nicolas Fischer, Gilbert Saporta. Approche bayésienne des modèles à équations structurelles. 42èmes Journées de Statistique, 2010, Marseille, France, France. 2010. 〈inria-00494790〉
