A Latent Factor Model for High-Dimensional Binary Data
高维二元数据的潜在因子模型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：摘要研究通用二元数据因子模型，应用为产品描述，未明确涉及经济选择行为或宏观、金融因子。
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…
高维二元数据的潜在因子模型
- 研究问题
- 面对高维二元观测，如何以连续潜在因素描述其依赖结构，并在数据不连续与维度较高的情况下实现估计和渐近分析？
- 方法与思路
- 作者用标准 probit 模型连接二元观测与连续潜变量，假设依赖结构完全由连续潜在因子捕获，并开发基于矩的估计方法。
- 材料陈述的贡献
- 摘要称，所提矩估计可同时处理不连续性与高维问题，并建立估计量的渐近性质；模拟与产品描述数据用于展示方法。
- 阅读关注点
- 应核对因子数与载荷的识别限制、完全因子化依赖假设、矩条件构造，以及维度与样本量共同增长时渐近结果的适用范围。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列明渐近条件，二元数据及 probit 形式也不足以认定其研究离散选择。
原文摘要
In this study, we develop a latent factor model for analysing high-dimensional binary data. Specifically, a standard probit model is used to describe the regression relationship between the observed binary data and the continuous latent variables. Our method assumes that the dependency structure of the observed binary data can be fully captured by the continuous latent factors. To estimate the model, a moment-based estimation method is developed. The proposed method is able to deal with both discontinuity and high dimensionality. Most importantly, the asymptotic properties of the resulting estimators are rigorously established. Extensive simulation studies are presented to demonstrate the proposed methodology. A real dataset about product descriptions is analysed for illustration.