Regularizing threshold priors with sparse response patterns in Bayesian factor analysis with categorical indicators
类别指标贝叶斯因子分析中稀疏响应模式的阈值先验正则化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：摘要研究有序题项的测量因子模型，未涉及宏观因子模型或明确的经济离散选择问题。
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…
类别指标贝叶斯因子分析中稀疏响应模式的阈值先验正则化
- 研究问题
- 有序题项的某些响应类别极少出现或完全缺失时，如何构造贝叶斯阈值先验，使估计与后验抽样更稳定且区间覆盖更可靠？
- 方法与思路
- 作者将阈值先验改写为各响应类别概率上的先验，再诱导出满足阈值排序约束的分布，并通过模拟及多组题项因子分析检验。
- 材料陈述的贡献
- 摘要称该先验更便于表达与沟通，统计效率与现有阈值先验相近；所列分析提示，适度信息性的先验有助于抽样和区间覆盖。
- 阅读关注点
- 应核对概率先验如何映射到阈值、信息性如何设定，以及稀疏程度、组间差异和先验误设对抽样效率与覆盖率的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体先验形式、模拟参数或效率比较的数值结果。
原文摘要
Using instruments comprising ordered responses to items are ubiquitous for studying many constructs of interest. However, using such an item response format may lead to items with response categories infrequently endorsed or unendorsed completely. In maximum likelihood estimation, this results in non-existing estimates for thresholds. This work focuses on a Bayesian estimation approach to counter this issue. The issue changes from the existence of an estimate to how to effectively construct threshold priors. The proposed prior specification reconceptualizes the threshold prior as prior on the probability of each response category. A metric that is easier to manipulate while maintaining the necessary ordering constraints on the thresholds. The resulting induced-prior is more communicable, and we demonstrate comparable statistical efficiency that existing threshold priors. Evidence is provided using a simulated data set, a Monte Carlo simulation study, and an example multi-group item-factor model analysis. All analyses demonstrate how at least a relatively informative threshold prior is necessary to avoid inefficient posterior sampling and increase confidence in the coverage rates of posterior credible intervals.