Bayesian Matrix Factor Models for Demographic Analysis Across Age and Time
跨年龄与时间人口分析的贝叶斯矩阵因子模型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：摘要明确以动态年龄和时间因子建模人口迁移，并开展与标准基准比较的预测练习。
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
跨年龄与时间人口分析的贝叶斯矩阵因子模型
- 研究问题
- 如何在多地区、多年龄和多时期的人口计数数据中，同时处理高维性、群体异质性与小群体的随机波动？
- 方法与思路
- 作者将计数矩阵分解为低维年龄和时间因子，以信息先验约束年龄平滑性及时间动态，并用 MCMC 推断。
- 材料陈述的贡献
- 摘要称，该模型以较少参数重构奥地利地区迁移过程，并在预测练习中持续优于标准基准，支持高维计数分析。
- 阅读关注点
- 应核对计数似然、因子维度和可识别性、平滑先验的影响，以及预测练习的时间划分与基准模型选择。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明误差指标和优势幅度，向其他数据推广仍需验证。
原文摘要
Analyzing demographic data collected across multiple populations, time periods, and age groups is challenging due to the interplay of high dimensionality, demographic heterogeneity among groups, and stochastic variability within smaller groups. This paper proposes a Bayesian matrix factor model to address these challenges. By factorizing count data matrices as the product of low-dimensional latent age and time factors, the model achieves a parsimonious representation that mitigates overfitting and remains computationally feasible even when hundreds of populations are involved. Informative priors enforce smoothness in the age factors and allow for the dynamic evolution of the time factors. A straightforward Markov chain Monte Carlo algorithm is developed for posterior inference. Applying the model to Austrian district-level migration data from 2002 to 2023 demonstrates its ability to accurately reconstruct complex demographic processes using only a fraction of the parameters required by conventional demographic factor models. A forecasting exercise shows that the proposed model consistently outperforms standard benchmarks. Beyond statistical demography, the framework holds promise for a wide range of applications involving noisy, heterogeneous, and high-dimensional non-Gaussian matrix-valued data.