Bayesian Dynamic Clustering Factor Models
贝叶斯动态聚类因子模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要分析个体的多变量纵向观测及其跨期类别转移，具有个体面板结构；未提供宏观或金融因子模型的应用依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
贝叶斯动态聚类因子模型
- 研究问题
- 对于多变量纵向数据，如何同时实现降维、个体聚类，并估计个体随时间在不同类别之间转移的动态过程？
- 方法与思路
- 作者将因子模型与隐马尔可夫模型结合，提出贝叶斯动态聚类因子模型，并开发 Gibbs 采样器探索后验分布。
- 材料陈述的贡献
- 摘要称该模型能够联合完成降维、聚类和转移估计，模拟展示参数估计与聚类表现，并以阿片类药物使用障碍数据说明应用。
- 阅读关注点
- 应核对因子与类别结构的可识别性、类别数及因子维度的设定，以及后验采样收敛和动态分类不确定性的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明先验、识别条件或模拟指标，无法判断计算效率与分类准确率。
原文摘要
We propose novel Bayesian Dynamic Clustering Factor Models (BDCFM) for the analysis of multivariate longitudinal data. BDCFM combines factor models with hidden Markov models to concomitantly perform dimension reduction, clustering, and estimation of the dynamic transitions of subjects through clusters. We develop an efficient Gibbs sampler for exploration of the posterior distribution. An analysis of a simulated dataset shows that our inferential approach works well both at parameter estimation and clustering of subjects. Finally, we illustrate the utility of our BDCFM with an analysis of a dataset on opioid use disorder.