High-dimensional Factor Analysis for Network-linked Data
网络关联数据的高维因子分析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。
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：摘要明确将网络连接观测纳入模型并研究网络信息的作用，因而选择网络方向。
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
网络关联数据的高维因子分析
- 研究问题
- 对于由网络连接的高维观测，如何联合利用网络关系与变量依赖，识别共享潜在因子和各部分独有的因子？
- 方法与思路
- 作者建立广义因子模型，允许网络与高维变量共享或独享潜在因子，提出估计程序、渐近推断和因子结构检验。
- 材料陈述的贡献
- 摘要称借助网络信息，载荷估计可在较宽松识别约束下达到最优渐近方差，并通过模拟和统计学家合著网络展示方法。
- 阅读关注点
- 应核对网络生成机制、共享因子的识别约束、最优方差的比较范围，以及因子结构检验和计算效率的理论条件。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收。摘要未给出识别约束与最优性基准，不能判断所有网络场景下的优势。
原文摘要
Factor analysis is a widely used statistical tool in many scientific disciplines, such as psychology, economics, and sociology. As observations linked by networks become increasingly common, incorporating network structures into factor analysis remains an open problem. In this paper, we focus on high-dimensional factor analysis involving network-connected observations, and propose a generalized factor model with latent factors that account for both the network structure and the dependence structure among high-dimensional variables. These latent factors can be shared by the high-dimensional variables and the network, or exclusively applied to either of them. We develop a computationally efficient estimation procedure and establish asymptotic inferential theories. Notably, we show that by borrowing information from the network, the proposed estimator of the factor loading matrix achieves optimal asymptotic variance under much milder identifiability constraints than existing literature. Furthermore, we develop a hypothesis testing procedure to tackle the challenge of discerning the shared and individual latent factors' structure. The finite sample performance of the proposed method is demonstrated through simulation studies and a real-world dataset involving a statistician co-authorship network.