High-Dimensional Multi-Study Multi-Modality Covariate-Augmented Generalized Factor Model
高维多研究、多模态协变量增强广义因子模型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：摘要讨论通用多研究、多模态因子模型，未提供宏观因子或金融因子应用的依据。
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
高维多研究、多模态协变量增强广义因子模型
- 研究问题
- 当多个研究分别测量多种数据模态且含额外协变量时，如何统一建模共享和研究特异的潜在因子，并实现可识别、可计算的估计？
- 方法与思路
- 作者提出协变量增强的广义因子模型，通过变分下界近似似然、剖面化变分参数和变分 EM 估计，并设计共享与特异因子数准则。
- 材料陈述的贡献
- 摘要称，论文研究可识别性及参数估计的渐近性质，模拟和真实应用显示准确性与计算效率改善，并提供公开的 R 软件包。
- 阅读关注点
- 应核对因子的旋转与共享结构识别条件、变分近似对目标参数的影响，以及高维渐近设定、因子数选择和比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明具体模态、渐近条件和比较数值，不能确认对所有数据整合任务均有优势。
原文摘要
Latent factor models that integrate data from multiple sources/studies or modalities have garnered considerable attention across various disciplines. However, existing methods predominantly focus either on multi-study integration or multi-modality integration, rendering them insufficient for analyzing the diverse modalities measured across multiple studies. To address this limitation and cater to practical needs, we introduce a high-dimensional generalized factor model that seamlessly integrates multi-modality data from multiple studies, while also accommodating additional covariates. We conduct a thorough investigation of the identifiability conditions to enhance the model's interpretability. To tackle the complexity of high-dimensional nonlinear integration caused by four large latent random matrices, we utilize a variational lower bound to approximate the observed log-likelihood by employing a variational posterior distribution. By profiling the variational parameters, we establish the asymptotical properties of estimators for model parameters using M-estimation theory. Furthermore, we devise a computationally efficient variational EM algorithm to execute the estimation process and a criterion to determine the optimal number of both study-shared and study-specific factors. Extensive simulation studies and a real-world application show that the proposed method significantly outperforms existing methods in terms of estimation accuracy and computational efficiency. The R package for the proposed method is publicly accessible at https://CRAN.R-project.org/package=MMGFM.