Identifiability and Inference for Generalized Latent Factor Models
广义潜在因子模型的可识别性与统计推断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：摘要研究通用潜在因子理论，未明确涉及宏观或金融因子应用，细分领域证据不足。
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
广义潜在因子模型的可识别性与统计推断
- 研究问题
- 在常用识别约束下，广义潜在因子模型如何对因子与载荷进行统计推断，尤其如何处理相关因子和非正交载荷？
- 方法与思路
- 作者围绕广义因子模型的最大似然估计，在常用可识别性条件下发展推断理论，并以模拟和人格测评数据说明。
- 材料陈述的贡献
- 摘要称研究补充了常用识别条件下因子与载荷的统计推断性质，关注既有研究较少处理的相关性与非正交情形。
- 阅读关注点
- 应核对具体识别约束、样本量与因子维度的渐近安排、推断对象，以及相关因子或非正交载荷下理论的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验；摘要未给出具体推断定理、正则条件或数值结果。
原文摘要
Generalized latent factor analysis not only provides a useful latent embedding approach in statistics and machine learning, but also serves as a widely used tool across various scientific fields, such as psychometrics, econometrics, and social sciences. Ensuring the identifiability of latent factors and the loading matrix is essential for the model's estimability and interpretability, and various identifiability conditions have been employed by practitioners. However, fundamental statistical inference issues for latent factors and factor loadings under commonly used identifiability conditions remain largely unaddressed, especially for correlated factors and/or non-orthogonal loading matrix. In this work, we focus on the maximum likelihood estimation for generalized factor models and establish statistical inference properties under popularly used identifiability conditions. The developed theory is further illustrated through numerical simulations and an application to a personality assessment dataset.