Structured prior distributions for the covariance matrix in latent factor models
潜在因子模型协方差矩阵的结构化先验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：摘要明确将潜在因子方法扩展至平稳动态因子模型，未提供金融领域应用依据。
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
潜在因子模型协方差矩阵的结构化先验
- 研究问题
- 贝叶斯潜在因子模型如何把共享变异的依赖结构知识纳入先验，同时实现向参数化结构收缩并推断潜在因子的数量？
- 方法与思路
- 作者为共享变异矩阵构造结构化先验，借助平稳 VAR 的无约束重参数化扩展至动态因子模型，并提出参数扩展 MCMC。
- 材料陈述的贡献
- 摘要称，该先验支持依赖结构信息与数据驱动收缩，兼顾因子数量推断，并通过自适应 Gibbs 采样及两个应用展示方法。
- 阅读关注点
- 应核对先验如何作用于共享协方差、收缩强度与因子数量的设定、动态扩展的平稳性，以及采样效率和应用比较的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明两个应用的领域及数值表现，也未展开先验敏感性与计算诊断。
原文摘要
Factor models are widely used for dimension reduction in the analysis of multivariate data. This is achieved through decomposition of a p x p covariance matrix into the sum of two components. Through a latent factor representation, they can be interpreted as a diagonal matrix of idiosyncratic variances and a shared variation matrix, that is, the product of a p x k factor loadings matrix and its transpose. If k << p, this defines a parsimonious factorisation of the covariance matrix. Historically, little attention has been paid to incorporating prior information in Bayesian analyses using factor models where, at best, the prior for the factor loadings is order invariant. In this work, a class of structured priors is developed that can encode ideas of dependence structure about the shared variation matrix. The construction allows data-informed shrinkage towards sensible parametric structures while also facilitating inference over the number of factors. Using an unconstrained reparameterisation of stationary vector autoregressions, the methodology is extended to stationary dynamic factor models. For computational inference, parameter-expanded Markov chain Monte Carlo samplers are proposed, including an efficient adaptive Gibbs sampler. Two substantive applications showcase the scope of the methodology and its inferential benefits.