Feature aware covariance estimation, with application to mixtures of chemical exposures
特征感知协方差估计及其在化学暴露混合物中的应用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：摘要研究环境化学暴露的通用协方差与因子分析，未涉及宏观或金融因子，也未提出所列微观计量领域的直接问题。
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…
特征感知协方差估计及其在化学暴露混合物中的应用
- 研究问题
- 环境暴露研究样本有限时，如何利用不同化学物质的属性改善协方差估计，避免对角收缩或按类别汇总掩盖共变模式？
- 方法与思路
- 作者扩展贝叶斯因子分析为特征感知协方差回归，纳入暴露属性信息，使协方差向更灵活的结构收缩，并用于 TESIE 数据。
- 材料陈述的贡献
- 摘要称该方法缓解传统因子模型向对角结构过度收缩的问题，并通过化学特征应用展示对重要暴露共变模式的改善。
- 阅读关注点
- 应核对特征如何进入协方差模型、正定性和先验设定、因子维数处理，以及小样本中改善表现的评价依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未报告定量比较或适用条件，协方差改善也不能直接解释为暴露的因果效应。
原文摘要
The motivation of this article is to improve inferences on the covariation in environmental exposures, motivated by data from a study of Toddlers Exposure to SVOCs in Indoor Environments (TESIE). The challenge is that the sample size is limited, so empirical covariance provides a poor estimate. In related applications, Bayesian factor models have been popular; these approaches express the covariance as low rank plus diagonal and can infer the number of factors adaptively. However, they have the disadvantage of shrinking towards a diagonal covariance, often under estimating important covariation patterns in the data. Alternatively, the dimensionality problem is addressed by collapsing the detailed exposure data within chemical classes, potentially obscuring important information. We apply a feature aware covariance regression extension of Bayesian factor analysis, which improves performance by including information from features summarizing properties of the different exposures. This approach enables shrinkage to more flexible covariance structures, reducing the over-shrinkage problem, as we illustrate in the TESIE data using various chemical features.