A Continuous-Time Dynamic Factor Model for Intensive Longitudinal Data Arising from Mobile Health Studies
移动健康密集纵向数据的连续时间动态因子模型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：摘要明确提出动态因子与连续时间随机过程模型，分类依据是因子和时间序列方法，其应用对象为移动健康数据。
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
移动健康密集纵向数据的连续时间动态因子模型
- 研究问题
- 移动健康研究频繁记录多个情绪指标，如何将其压缩为可解释的低维潜在过程，并在连续时间中描述短期与长期动态？
- 方法与思路
- 作者结合因子测量模型和多变量 Ornstein-Uhlenbeck 过程，推导边际似然及稀疏精度矩阵，并提出分块坐标下降估计算法。
- 材料陈述的贡献
- 摘要称，该模型提供闭式边际似然与较易计算的过程精度矩阵；在戒烟研究中，十八种情绪被概括为正性和负性情感两个潜在过程。
- 阅读关注点
- 应核对因子识别约束、连续时间过程假设、测量误差结构及算法收敛表现，并检查两个潜在过程的心理解释如何获得支持。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未说明完整参数条件、拟合诊断或复吸预测结果，情感解释不能直接作为因果证据。
原文摘要
Intensive longitudinal data (ILD) collected in mobile health (mHealth) studies contain rich information on multiple outcomes measured frequently over time that have the potential to capture short-term and long-term dynamics. Motivated by an mHealth study of smoking cessation in which participants self-report the intensity of many emotions multiple times per day, we describe a dynamic factor model that summarizes the ILD as a low-dimensional, interpretable latent process. This model consists of two submodels: (i) a measurement submodel--a factor model--that summarizes the multivariate longitudinal outcome as lower-dimensional latent variables and (ii) a structural submodel--an Ornstein-Uhlenbeck (OU) stochastic process--that captures the temporal dynamics of the multivariate latent process in continuous time. We derive a closed-form likelihood for the marginal distribution of the outcome and the computationally-simpler sparse precision matrix for the OU process. We propose a block coordinate descent algorithm for estimation. Finally, we apply our method to the mHealth data to summarize the dynamics of 18 different emotions as two latent processes. These latent processes are interpreted by behavioral scientists as the psychological constructs of positive and negative affect and are key in understanding vulnerability to lapsing back to tobacco use among smokers attempting to quit.