Factor Analysis for Categorical Data
分类数据的因子分析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。
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：这里的因子分析面向一般分类变量，未涉及宏观或金融因子，也未明确建立离散选择模型，故不作细分归类。
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
分类数据的因子分析
- 研究问题
- 当观测变量为有序类别、潜变量连续时，如何建立因子分析的理论框架，以比较模型并克服标准模型对变量尺度的限制？
- 方法与思路
- 作者在限定的模型集合中讨论有序分类数据的因子分析，包含两个已有模型，并提出新方法及单因子模型的近似拟合技术。
- 材料陈述的贡献
- 摘要称论文提供了模型构建与比较的理论框架、新的分析方法和简便拟合技术，并评价已有方法及提出后续研究方向。
- 阅读关注点
- 应核对类别与连续潜变量之间的模型关系、受限模型集合的理由，以及单因子近似拟合的误差和已有方法比较依据。
- 阅读边界
- 仅据所给 Crossref 摘要版本；讨论限于有序类别和连续潜变量，摘要未说明识别条件、近似误差或方法比较的具体结果。
原文摘要
Summary The method of factor analysis is widely used as an exploratory tool to reduce the dimensionality of multivariate data. The fact that the standard model is strictly applicable only when the manifest variables are scaled is a serious limitation in social science where the variables are often categorical. In this paper we aim to provide a theoretical framework within which methods for the factor analysis of categorical data can be devised and compared. Discussion is restricted to the case of ordered categories where the latent variables are continuous. It is argued that the choice of model should be made from a restricted set which includes two existing models as special cases. A new method is proposed together with a simple approximate technique of fitting for the one-factor model. The paper concludes with an evaluation of existing methods and makes some suggestions about the direction which future research should take.