A Latent Variable Approach to Learning High-Dimensional Multivariate Longitudinal Data
高维多变量纵向数据的潜变量学习方法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：摘要明确研究多变量重复观测的纵向数据，并以客户购物记录为应用，直接对应个体面板数据分析。
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
高维多变量纵向数据的潜变量学习方法
- 研究问题
- 对多种结果变量随时间重复观测、且可能混合类型或部分缺失的数据，如何推断协变量关联并预测未来结果？
- 方法与思路
- 作者用潜在因子描述变量之间与时间之间的依赖，开发回归系数推断和预测工具，并以信息准则选择因子数量。
- 材料陈述的贡献
- 摘要称建立回归系数推断的中心极限定理，允许混合结果类型及部分时间点未观测，并应用于客户购物记录的解释与预测。
- 阅读关注点
- 应核对潜因子的识别、跨变量与跨时间依赖设定、未观测和右删失的处理条件，以及因子数选择与预测验证方式。
- 阅读边界
- 索引摘要稿件版本未注明，不能推断刊本变化；摘要未说明缺失机制、渐近条件或购物预测数值，协变量效应不能直接解释为因果效应。
原文摘要
High-dimensional multivariate longitudinal data, which arise when many outcome variables are measured repeatedly over time, are becoming increasingly common in social, behavioral and health sciences. We propose a latent variable model for drawing statistical inferences on covariate effects and predicting future outcomes based on high-dimensional multivariate longitudinal data. This model introduces unobserved factors to account for the between-variable and across-time dependence and assist the prediction. Statistical inference and prediction tools are developed under a general setting that allows outcome variables to be of mixed types and possibly unobserved for certain time points, for example, due to right censoring. A central limit theorem is established for drawing statistical inferences on regression coefficients. Additionally, an information criterion is introduced to choose the number of factors. The proposed model is applied to customer grocery shopping records to predict and understand shopping behavior.