Bayesian Factor Analysis for Inference on Interactions
用于交互作用推断的贝叶斯因子分析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。
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：摘要中的因子模型用于化学暴露与健康结果，缺乏宏观因子或金融因子的直接依据。
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
用于交互作用推断的贝叶斯因子分析
- 研究问题
- 多种化学暴露高度相关时，如何通过降维刻画其与健康结果之间的主效应及交互作用，并开展相应的贝叶斯推断？
- 方法与思路
- 作者构建预测变量与响应共享潜在因子的联合模型，在条件独立设定下对响应加入潜变量二次回归，并调整结构容纳高阶交互。
- 材料陈述的贡献
- 摘要称，FIN 框架以潜在因子实现主效应和交互作用的灵活降维，可扩展至高阶交互，并通过模拟与 NHANES 数据评估。
- 阅读关注点
- 应核对条件独立假设、潜在因子尺度与可识别性，以及潜变量交互如何映射到原始暴露变量和后验不确定性评估。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明因子数选择和交互解释条件，不能据关联模型推断化学暴露的因果效应。
原文摘要
This article is motivated by the problem of inference on interactions among chemical exposures impacting human health outcomes. Chemicals often co-occur in the environment or in synthetic mixtures and as a result exposure levels can be highly correlated. We propose a latent factor joint model, which includes shared factors in both the predictor and response components while assuming conditional independence. By including a quadratic regression in the latent variables in the response component, we induce flexible dimension reduction in characterizing main effects and interactions. We propose a Bayesian approach to inference under this Factor analysis for INteractions (FIN) framework. Through appropriate modifications of the factor modeling structure, FIN can accommodate higher order interactions. We evaluate the performance using a simulation study and data from the National Health and Nutrition Examination Survey (NHANES). Code is available on GitHub.