Dynamic Factor Analysis of High-dimensional Recurrent Events
高维重复事件的动态因子分析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：摘要研究重复事件强度的动态因子及购物应用，未明确涉及所列宏观或金融因子方向。
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…
高维重复事件的动态因子分析
- 研究问题
- 当重复事件数据具有大量事件类型和观测，并允许类型之间相互依赖时，如何提取低维动态结构并选择因子数？
- 方法与思路
- 作者提出半参数动态因子模型，在事件类型的平均强度函数上施加低维结构，结合平滑估计与因子数信息准则。
- 材料陈述的贡献
- 摘要称，平滑估计量近乎达到最优速率，信息准则能一致选择因子数，并在购物数据中获得可解释的因子结构。
- 阅读关注点
- 应核对事件依赖与观测机制、因子可识别性、速率最优性的比较标准，以及因子数选择一致性的渐近条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供速率表达式、证明条件或购物因子的具体解释。
原文摘要
Recurrent event time data arise in many studies, including biomedicine, public health, marketing, and social media analysis. High-dimensional recurrent event data involving many event types and observations have become prevalent with advances in information technology. This paper proposes a semiparametric dynamic factor model for the dimension reduction of high-dimensional recurrent event data. The proposed model imposes a low-dimensional structure on the mean intensity functions of the event types while allowing for dependencies. A nearly rate-optimal smoothing-based estimator is proposed. An information criterion that consistently selects the number of factors is also developed. Simulation studies demonstrate the effectiveness of these inference tools. The proposed method is applied to grocery shopping data, for which an interpretable factor structure is obtained.