Exploring Discrete Factor Analysis with the discFA Package in R
使用 R 的 discFA 包探索离散因子分析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。
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：摘要讨论通用计数数据因子分析，未指向宏观因子或金融因子模型。
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…
使用 R 的 discFA 包探索离散因子分析
- 研究问题
- 传统因子分析可能不适用于非负计数数据；如何在存在零膨胀或截断时，用离散分布建立因子模型并选择模型结构？
- 方法与思路
- 作者介绍 discFA 包，组合泊松或负二项分布与可选零膨胀、截断形成八类模型，并用前向搜索寻找 AIC 最低的模型。
- 材料陈述的贡献
- 摘要展示软件支持的离散因子模型与选择流程，并通过心理学、农业、汽车行业和模拟数据提供说明性应用。
- 阅读关注点
- 应核对潜在因子如何产生计数依赖、模型识别与估计方式、截断和零膨胀机制，以及前向搜索是否仅达到局部最优。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别条件、搜索保证或比较结果，最低 AIC 不保证模型真实。
原文摘要
Literature suggested that using the traditional factor analysis for the count data may be inappropriate. With that in mind, discrete factor analysis builds on fitting systems of dependent discrete random variables to data. The data should be in the form of non-negative counts. Data may also be truncated at some positive integer value. The discFA package in R allows for two distributions: Poisson and Negative Binomial, in combination with possible zero inflation and possible truncation, hence, eight different alternatives. A forward search algorithm is employed to find the model optimal factor model with the lowest AIC. Several different illustrative examples from psychology, agriculture, car industry, and a simulated data will be analyzed at the end.