Deterministic Parallel Analysis: An Improved Method for Selecting Factors and Principal Components
确定性平行分析：因子与主成分数量选择的改进方法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。
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：摘要涉及通用因子分析和基因数据，未提供宏观因子模型或金融因子应用的直接依据。
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
确定性平行分析：因子与主成分数量选择的改进方法
- 研究问题
- 研究因子分析与主成分分析中如何选择成分数量，尤其如何减少平行分析的随机性，并识别被强因子遮蔽的较弱因子。
- 方法与思路
- 作者将平行分析确定化，用逐步剔除已识别成分缓解遮蔽现象，并提高判定阈值；另用一致性证明、模拟和基因数据检验。
- 材料陈述的贡献
- 摘要称确定性方法更快且更可复现，给出若干一致性结果，并报告在人类基因组多样性项目数据中提高准确性。
- 阅读关注点
- 应核对噪声模型、剔除步骤和阈值选择，以及一致性条件、弱因子可检测范围和实际数据准确性的评价标准。
- 阅读边界
- 仅依据所给 Crossref 摘要；未说明一致性条件或准确性数值，不能将所述改善推广到任意因子模型或推断版本变化。
原文摘要
Summary Factor analysis and principal component analysis are used in many application areas. The first step, choosing the number of components, remains a serious challenge. Our work proposes improved methods for this important problem. One of the most popular state of the art methods is parallel analysis (PA), which compares the observed factor strengths with simulated strengths under a noise-only model. The paper proposes improvements to PA. We first derandomize it, proposing deterministic PA, which is faster and more reproducible than PA. Both PA and deterministic PA are prone to a shadowing phenomenon in which a strong factor makes it difficult to detect smaller but more interesting factors. We propose deflation to counter shadowing. We also propose to raise the decision threshold to improve estimation accuracy. We prove several consistency results for our methods, and test them in simulations. We also illustrate our methods on data from the human genome diversity project, where they significantly improve the accuracy.