Bayesian Clustering Factor Models
贝叶斯聚类因子模型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：虽使用因子模型，摘要研究通用聚类并应用于医疗个体数据，缺少宏观或金融因子领域证据。
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…
贝叶斯聚类因子模型
- 研究问题
- 如何在同一概率模型中同时实现降维与个体聚类，量化不确定性，并选择聚类数和公共因子数两个维度？
- 方法与思路
- 作者令公共因子向量服从高斯混合分布，构建贝叶斯聚类因子模型，以 Gibbs 抽样探索后验并提出模型选择信息准则。
- 材料陈述的贡献
- 摘要称模拟中推断可适当量化不确定性，信息准则相对一个既有方法更准确地选取聚类与因子数，并展示医疗数据应用。
- 阅读关注点
- 应核对因子模型与混合分布的识别约束、后验抽样的收敛、信息准则的定义，以及模拟比较和个体聚类的稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出先验、识别条件与比较数值，不能据此确认选择准则的普遍优势。
原文摘要
We present a novel framework for concomitant dimension reduction and clustering. This framework is based on a novel class of Bayesian clustering factor models. These models assume a factor model structure where the vectors of common factors follow a mixture of Gaussian distributions. We develop a Gibbs sampler to explore the posterior distribution and propose an information criterion to select the number of clusters and the number of factors. Simulation studies show that our inferential approach appropriately quantifies uncertainty. In addition, when compared to a previously published competitor method, our information criterion has favorable performance in terms of correct selection of number of clusters and number of factors. Finally, we illustrate the capabilities of our framework with an application to data on recovery from opioid use disorder where clustering of individuals may facilitate personalized health care.