Bayesian analysis of nonlinear structured latent factor models using a Gaussian Process Prior
基于高斯过程先验的非线性结构化潜因子模型贝叶斯分析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。
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：摘要研究一般潜变量测量及油流数据，不能仅因出现因子模型而归入宏观因子或金融因子。
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…
基于高斯过程先验的非线性结构化潜因子模型贝叶斯分析
- 研究问题
- 潜在特征与观测变量之间存在非线性关系时，如何建立灵活的结构化因子模型，并保证潜因子具有可识别、可解释的含义？
- 方法与思路
- 作者提出非线性结构化潜因子模型，通过高斯过程先验估计未知非线性函数与参数，并分析因子识别性及估计一致性。
- 材料陈述的贡献
- 摘要称，该模型扩展了观测变量与潜因子的关系表达，给出结构识别和一致性结果，并以模拟及油流数据展示非线性潜结构提取。
- 阅读关注点
- 应核对潜因子识别所需的结构限制、函数与参数之间的区分，以及高斯过程先验设定、计算实现和一致性结论的适用条件。
- 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；摘要未说明识别约束、先验细节，也未涉及宏观或金融因子应用。
原文摘要
Factor analysis models are widely utilized in social and behavioral sciences, such as psychology, education, and marketing, to measure unobservable latent traits. In this article, we introduce a nonlinear structured latent factor analysis model which is more flexible to characterize the relationship between manifest variables and latent factors. The confirmatory identifiability of the latent factor is discussed, ensuring the substantive interpretation of the latent factors. A Bayesian approach with a Gaussian process prior is proposed to estimate the unknown nonlinear function and the unknown parameters. Asymptotic results are established, including structural identifiability of the latent factors, consistency of the estimates of the unknown parameters and the unknown nonlinear function. Simulation studies and a real data analysis are conducted to investigate the performance of the proposed method. Simulation studies show our proposed method performs well in handling nonlinear model and successfully identifies the latent factors. Our analysis incorporates oil flow data, allowing us to uncover the underlying structure of latent nonlinear patterns.