Determining the number of factors in high-dimensional generalized latent factor models
高维广义潜因子模型中的因子数确定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：摘要研究通用广义潜因子模型并应用于人格问卷，未提供宏观或金融因子的背景，二元观测也不足以归入离散选择。
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…
高维广义潜因子模型中的因子数确定
- 研究问题
- 在可包含二元与计数观测、且存在大量缺失值的高维广义潜因子模型中，如何一致地确定潜因子数量并控制参数估计误差？
- 方法与思路
- 作者构造选择因子数的信息准则，在样本量与显变量数量同时增长的框架下证明一致性，并用参数估计误差界支持该结果。
- 材料陈述的贡献
- 摘要称，所提准则具有高维一致性，相关参数误差界改进了若干已有结果，并通过模拟和人格问卷数据展示方法应用。
- 阅读关注点
- 应核对信息准则的惩罚项、缺失机制、因子可识别性及维度增长条件，并查看误差界与所比较已有结果的条件是否一致。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断允许多少缺失、适用哪些观测分布及因子强度要求，也未提供具体误差界或模拟数值。
原文摘要
Summary As a generalization of the classical linear factor model, generalized latent factor models are useful for analysing multivariate data of different types, including binary choices and counts. This paper proposes an information criterion to determine the number of factors in generalized latent factor models. The consistency of the proposed information criterion is established under a high-dimensional setting, where both the sample size and the number of manifest variables grow to infinity, and data may have many missing values. An error bound is established for the parameter estimates, which plays an important role in establishing the consistency of the proposed information criterion. This error bound improves several existing results and may be of independent theoretical interest. We evaluate the proposed method by a simulation study and an application to Eysenck’s personality questionnaire.