Dynamic factor analysis of high-dimensional recurrent events
高维重复事件的动态因子分析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：摘要明确提出动态因子模型、低维强度结构和因子数选择，分类依据是方法而非宏观应用。
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…
高维重复事件的动态因子分析
- 研究问题
- 大量事件类型与观测使重复事件数据维度很高；作者研究如何在允许依赖的同时，用低维动态结构描述各事件类型的平均强度。
- 方法与思路
- 作者构建半参数动态因子模型，对平均强度函数施加低维结构，提出平滑估计量，并以信息准则选择因子数量。
- 材料陈述的贡献
- 摘要称，平滑估计量接近最优收敛速率，信息准则能一致选择因子数；模拟支持其有效性，购物数据应用得到可解释因子。
- 阅读关注点
- 应核对平均强度与条件强度的区别、因子可识别性及依赖条件，以及速率最优性的比较基准和因子数选择的一致性条件。
- 阅读边界
- 仅据所给 Crossref 摘要，具体速率、观测机制和依赖限制未说明；购物事件中的可解释因子不自动具有宏观经济含义。
原文摘要
Summary Recurrent event time data arise in many studies, including in biomedicine, public health, marketing and social media analysis. High-dimensional recurrent event data involving many event types and observations have become prevalent with advances in information technology. This article proposes a semiparametric dynamic factor model for the dimension reduction of high-dimensional recurrent event data. The proposed model imposes a low-dimensional structure on the mean intensity functions of the event types while allowing for dependencies. A nearly rate-optimal smoothing-based estimator is proposed. An information criterion that consistently selects the number of factors is also developed. Simulation studies demonstrate the effectiveness of these inference tools. The proposed method is applied to grocery shopping data, for which an interpretable factor structure is obtained.