Sparse Bayesian factor analysis when the number of factors is unknown
因子数量未知时的稀疏贝叶斯因子分析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：摘要明确研究稀疏潜在因子模型、共同因子数量及贝叶斯载荷估计。
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…
因子数量未知时的稀疏贝叶斯因子分析
- 研究问题
- 在载荷具有稀疏结构且共同因子数量未知时，如何将模型估计、模型选择、识别与因子维度估计纳入统一贝叶斯框架？
- 方法与思路
- 作者对载荷矩阵使用尖峰与厚尾混合先验，将无序广义下三角表示嵌入过拟合稀疏因子模型，并通过定制 MCMC 抽样及后处理推断。
- 材料陈述的贡献
- 摘要称该框架同步衔接模型估计与选择、识别与秩估计，能够形成载荷、共同因子及因子维度的后验汇总。
- 阅读关注点
- 应核对先验和过拟合因子数的设定、广义下三角约束如何处理识别，以及 MCMC 混合表现、后处理规则与维度不确定性的表达。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供后验一致性条件、计算复杂度或证明其效率优势的量化比较。
原文摘要
There has been increased research interest in the subfield of sparse Bayesian factor analysis with shrinkage priors, which achieve additional sparsity beyond the natural parsimonity of factor models. In this spirit, we estimate the number of common factors in the highly implemented sparse latent factor model with spike-and-slab priors on the factor loadings matrix. Our framework leads to a natural, efficient and simultaneous coupling of model estimation and selection on one hand and model identification and rank estimation (number of factors) on the other hand. More precisely, by embedding the unordered generalized lower triangular loadings representation into overfitting sparse factor modelling, we obtain posterior summaries regarding factor loadings, common factors as well as the factor dimension via postprocessing draws from our efficient and customized Markov chain Monte Carlo scheme.