Heywood cases in unidimensional factor models and item response models for binary data
二元数据单维因子模型与项目反应模型中的 Heywood 情形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：摘要聚焦二元测量数据的心理测量因子模型与 IRT 参数化，未涉及宏观或金融因子，也未明确研究经济离散选择。
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…
二元数据单维因子模型与项目反应模型中的 Heywood 情形
- 研究问题
- 为何同一二元数据测量问题会在不同参数化和估计方法下表现为负残差方差、不收敛或极大的项目区分度参数？
- 方法与思路
- 作者用方程联系 delta、theta 参数化因子模型与 IRT 模型，再以相同模拟数据和真实数据比较三种分析及多种估计量。
- 材料陈述的贡献
- 摘要称解释了 Heywood 问题在不同方法中的表现形式，并指出小规模模拟与真实数据分析支持这一理论联系。
- 阅读关注点
- 应核对两种参数化的变换关系、边界与不收敛的联系，以及有限信息和全信息估计比较中模型设定是否一致。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未报告问题发生率、模拟细节或估计量的具体比较结果。
原文摘要
Heywood cases are known from linear factor analysis literature as variables with communalities larger than 1.00, and in present day factor models, the problem also shows in negative residual variances. For binary data, ordinal factor models can be applied with either delta parameterization or theta parametrization. The former is more common than the latter and can yield Heywood cases when limited information estimation is used. The same problem shows up as nonconvergence cases in theta parameterized factor models and as extremely large discriminations in item response theory (IRT) models. In this study, we explain why the same problem appears in different forms depending on the method of analysis. We first discuss this issue using equations and then illustrate our conclusions using a small simulation study, where all three methods, delta and theta parameterized ordinal factor models (with estimation based on polychoric correlations) and an IRT model (with full information estimation), are used to analyze the same datasets. We also compared the performances of the WLS, WLSMV, and ULS estimators for the ordinal factor models. Finally, we analyze real data with the same three approaches. The results of the simulation study and the analysis of real data confirm the theoretical conclusions.