Latente Variable

In der Statistik sind latente Variablen (aus dem Lateinischen: Partizip Präsens von lateo („verborgen liegen“), im Gegensatz zu beobachtbaren Variablen) Variablen, die nicht direkt beobachtet werden, sondern (durch ein mathematisches Modell) aus anderen Variablen, die beobachtet (direkt gemessen) werden, abgeleitet werden. Mathematische Modelle, die darauf abzielen, beobachtete Variablen anhand von latenten Variablen zu erklären, werden als Modelle für latente Variablen bezeichnet. Modelle mit latenten Variablen werden in vielen Disziplinen verwendet, darunter Psychologie, Demografie, Wirtschaft, Ingenieurwesen, Medizin, Physik, maschinelles Lernen/künstliche Intelligenz, Bioinformatik, Chemometrie, Verarbeitung natürlicher Sprache, Ökonometrie, Management und Sozialwissenschaften.

Latente Variablen können Aspekten der physischen Realität entsprechen. Diese könnten im Prinzip gemessen werden, was aber aus praktischen Gründen nicht möglich ist. In diesem Fall wird üblicherweise der Begriff „verborgene Variablen“ verwendet (der die Tatsache widerspiegelt, dass die Variablen bedeutsam, aber nicht beobachtbar sind). Andere latente Variablen entsprechen abstrakten Konzepten, wie Kategorien, Verhaltens- oder Geisteszuständen oder Datenstrukturen. In diesen Fällen können die Begriffe hypothetische Variablen oder hypothetische Konstrukte verwendet werden.

Die Verwendung latenter Variablen kann dazu dienen, die Dimensionalität der Daten zu reduzieren. Viele beobachtbare Variablen können in einem Modell aggregiert werden, um ein zugrundeliegendes Konzept darzustellen, was das Verständnis der Daten erleichtert. In diesem Sinne erfüllen sie eine ähnliche Funktion wie wissenschaftliche Theorien. Gleichzeitig verknüpfen latente Variablen beobachtbare („subsymbolische“) Daten in der realen Welt mit symbolischen Daten in der modellierten Welt.