Linear latent variable models and covariance structures
线性潜变量模型与协方差结构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：摘要研究通用潜变量与协方差结构，未指明宏观或金融因子模型，也未提供其他细分方向的直接依据。
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
线性潜变量模型与协方差结构
- 研究问题
- 在线性潜变量模型中，按正态分布推导的最大似然估计与协方差结构检验，何时仍具有适用于非正态情形的渐近性质？
- 方法与思路
- 作者将观测向量表示为若干潜变量向量的线性组合，刻画正态假设下的最大似然估计，并分析潜变量独立时的渐近分布。
- 材料陈述的贡献
- 摘要称潜变量之间独立时，正态推导的估计量渐近分布具有更一般的有效性，协方差结构检验也具有渐近稳健性。
- 阅读关注点
- 应核对独立与不相关分别承担的作用、各潜变量所需的矩条件，以及仅要求样本协方差具有概率极限的特殊安排。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能将稳健性推广到任意非正态或依赖情形；参数识别、完整正则条件和有限样本表现未说明。
原文摘要
The observed vector is taken as a linear combination of latent (unobservable) vector variables. The loading matrices are functions of a vector parameter; the covariance matrix of one latent vector may depend on another vector parameter and the covariance matrices of the other latent vectors are unrestricted positive definite matrices; and the different latent vectors are uncorrelated. The covariance matrix of the observed vector is a function of the two parameter vectors and the covariance matrices of the latent vectors. The maximum likelihood estimator when the latent variables are normally distributed is characterized. The asymptotic distribution of the maximum likelihood estimator derived under normality is shown to be valid generally if the different latent variables are independent (not just uncorrelated). One latent vector is only required to have a sample covariance matrix that has a probability limit. Tests of the covariance structure are also asymptotically robust.