Sparse Bayesian Factor Models with Mass-Nonlocal Factor Scores
采用点质量与非局部因子得分先验的稀疏贝叶斯因子模型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：摘要研究通用贝叶斯因子模型并应用于营养健康数据，未明确指向宏观或金融因子建模。
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…
采用点质量与非局部因子得分先验的稀疏贝叶斯因子模型
- 研究问题
- 传统因子模型常对载荷施加稀疏先验，却把因子得分设为标准正态；如何刻画个体层面的稀疏性与异质性？
- 方法与思路
- 作者提出 BFMAN，在因子得分上使用允许精确零值和非局部行为的先验，利用得分矩阵稀疏性选择因子数并用 Gibbs 采样估计。
- 材料陈述的贡献
- 摘要称，模型在因子恢复、稀疏检测、得分估计与因子数选择的模拟中优于标准贝叶斯因子模型，并应用于饮食模式分析。
- 阅读关注点
- 应核对先验的精确定义、因子识别约束、因子数选择规则，以及 Gibbs 采样效率和模拟优势对数据生成设定的依赖。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未报告比较数值，饮食模式与心血管疾病的关联不能解读为因果效应。
原文摘要
Bayesian factor models are widely used for dimensionality reduction and pattern discovery in high-dimensional datasets across diverse fields. These models typically focus on imposing priors on factor loading to induce sparsity and improve interpretability. However, factor scores, which play a critical role in individual-level associations with factors, have received less attention and are assumed to follow a standard normal distribution. This assumption oversimplifies the heterogeneity often observed in real-world applications. We propose the sparse Bayesian Factor model with MAss-Nonlocal factor scores (BFMAN), a novel framework that addresses these limitations by introducing a mass-nonlocal prior on factor scores. This prior allows for both exact zeros and flexible, nonlocal behavior, capturing individual-level sparsity and heterogeneity. The sparsity in the score matrix enables a robust and novel approach to determine the optimal number of factors. Model parameters are estimated via a fast and efficient Gibbs sampler. Extensive simulations demonstrate that BFMAN outperforms standard Bayesian factor models in factor recovery, sparsity detection, score estimation, and selection of the optimal number of factors. We apply BFMAN to the Hispanic Community Health Study/Study of Latinos, identifying meaningful dietary patterns and their associations with cardiovascular disease, showcasing the model's ability to uncover insights into complex nutritional data.