A binary factor model
二元数据因子模型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：摘要涉及通用二元数据因子建模，未说明宏观变量、金融因子或离散选择行为，尚不足以归入给定细分领域。
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
二元数据因子模型
- 研究问题
- 如何用少量潜在因子解释二元变量之间的依赖结构，并避免直接沿用面向连续、无界观测的传统正交因子模型？
- 方法与思路
- 作者提出适用于二元数据的因子模型，使潜在因子具有负依赖关系，研究其理论性质，并开展完整的贝叶斯推断。
- 材料陈述的贡献
- 摘要称构建了新的二元因子模型及贝叶斯推断方案，并通过模拟和真实数据与传统基准比较，但未交代具体比较结果。
- 阅读关注点
- 应核对二元观测的生成机制、因子负依赖的数学定义、参数识别与先验设定，以及传统基准和性能指标的选择。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未说明理论结论、数据领域及相对基准的具体表现。
原文摘要
The orthogonal factor model has been a very useful tool in uncovering covariance structures in a set of variables through a smaller set of underlying factors. This old model is suitable for continuous variables with unbounded support, since the most common assumption for the observables and the factors is multivariate normality. In this work, we propose a factor model for binary data. Factors are negative dependent, so they avoid each other. We study the theoretical properties of the model and carry out a full Bayesian inference. We illustrate the performance of our proposal with simulated and real data sets and compare with the traditional benchmark.