Multidimensional constructs and moderated linear and nonlinear factor analysis
多维构念与调节线性及非线性因子分析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：摘要讨论心理测量的潜在因子，缺少宏观或金融因子模型的文本依据，故不按因子一词归类。
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…
关注这篇论文的作者
多维构念与调节线性及非线性因子分析
- 研究问题
- 面对通常具有三至五个潜在维度的心理测量，如何让多个因子的测量参数和分布参数均受调节，并识别部分测量不变性偏离？
- 方法与思路
- 作者提出允许三及以上因子的多维 MNLFA，讨论 Stan 贝叶斯实现与惩罚最大似然，并给出似然解析梯度以支持稳定估计。
- 材料陈述的贡献
- 摘要称框架允许调节题项截距、载荷、残差方差及因子均值、方差和相关，并讨论惩罚的理论含义、计算问题及未来扩展。
- 阅读关注点
- 应核对模型识别、调节项与惩罚的具体设置、解析梯度用于哪些计算环节，以及多因子扩展和部分测量不变性的实际验证程度。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要对实现仅称作出尝试，未提供完整验证，类别指标和纵向数据被列为未来方向。
原文摘要
Multidimensional factor models with moderations on all model parameters have so far been limited to single-factor and two-factor models. This does not align well with existing psychological measures, which are commonly intended to assess 3-5 dimensions of a latent construct. In this paper, I introduce a multidimensional MNLFA model that permits the moderation of item intercepts, loadings, residual variances, factor means, variances, and correlations across three or more latent factors. I describe efforts to implement the model using Bayesian methods through Stan and penalized maximum likelihood approaches to stabilize estimation and detect partial measurement non-invariance while preserving model interpretability. Closed-form analytic gradients of the likelihood, eliminating the need for costly numerical or MCMC-based approximations. We conclude by discussing the theoretical implications of penalization for measurement invariance, computational considerations, and future directions for extending the framework to categorical indicators, longitudinal data, and applied research contexts.