A Latent Variable Approach to Learning High-dimensional Multivariate longitudinal Data
高维多元纵向数据的潜变量学习方法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：摘要以重复测量的多元纵向数据与未观测因子刻画跨时间相依为核心，直接对应面板数据与因子模型两个方向；未涉及因果识别、离散选择或金融资产定价等主题。
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
高维多元纵向数据的潜变量学习方法
- 研究问题
- 摘要称，针对许多结果变量被重复测量的高维多元纵向数据，如何对协变量效应做统计推断并预测未来结果。
- 方法与思路
- 作者提出潜变量模型，引入未观测因子刻画变量间与跨时间的相依性并辅助预测；在允许结果变量为混合类型、且某些时点可能因右删失而缺失的一般设定下，给出推断与预测工具，并建立回归系数的中心极限定理，另引入信息准则选择因子个数。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出可处理混合类型与缺失情形的潜变量建模框架，给出回归系数推断的中心极限定理与因子数选择的信息准则，并将其应用于顾客杂货购物记录以预测和理解购物行为。
- 阅读关注点
- 应核对潜变量模型的识别条件与因子个数选择准则的理论性质，中心极限定理所需的样本量与相依结构假设，混合类型与右删失下的似然或估计细节，以及购物数据应用中预测评估与结果解释的具体做法。
- 阅读边界
- 仅凭摘要无法判断模型识别是否成立、定理的正则条件与有限样本表现、信息准则的一致性，也无法核实购物数据应用的预测精度与结论稳健性；摘要未说明具体估计算法、模拟设计与数值结果。
原文摘要
High-dimensional multivariate longitudinal data, which arise when many outcome variables are measured repeatedly over time, are becoming increasingly common in social, behavioral and health sciences. We propose a latent variable model for drawing statistical inferences on covariate effects and predicting future outcomes based on high-dimensional multivariate longitudinal data. This model introduces unobserved factors to account for the between-variable and across-time dependence and assist the prediction. Statistical inference and prediction tools are developed under a general setting that allows outcome variables to be of mixed types and possibly unobserved for certain time points, for example, due to right censoring. A central limit theorem is established for drawing statistical inferences on regression coefficients. Additionally, an information criterion is introduced to choose the number of factors. The proposed model is applied to customer grocery shopping records to predict and understand shopping behavior.