Identification of Multivariate Measurement Error Models
多元测量误差模型的识别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：摘要研究一般多维测量误差与潜变量识别，虽提及因子模型应用，但未提供宏观或金融因子研究的直接依据。
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
多元测量误差模型的识别
- 研究问题
- 当所有观测指标均含可能相关的测量误差，且没有指标对潜在分布提供单射映射时，能否识别多维潜变量及误差的联合分布？
- 方法与思路
- 作者以三阶交叉矩构造张量，借助 Kruskal 分解识别载荷，再用 Kotlarski 恒等式恢复分布，并以算子信号秩扩展至非线性模型。
- 材料陈述的贡献
- 摘要称，在相应条件下无需单射测量即可识别潜变量与误差的联合分布；还提出单射情形下的可检验条件及非线性识别结果。
- 阅读关注点
- 应核对允许哪些误差相关结构、矩存在与张量秩条件、分解的归一化方式，以及信号秩和非线性算子条件的可验证性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要未列出完整识别假设，不能将其理解为允许任意相关误差的普遍识别。
原文摘要
This paper develops new identification results for multidimensional continuous measurement-error models where all observed measurements are contaminated by potentially correlated errors and none provides an injective mapping of the latent distribution. Using third order cross moments, the paper constructs a three way tensor whose unique decomposition, guaranteed by Kruskal theorem, identifies the factor loading matrices. Starting with a linear structure, the paper recovers the full distribution of latent factors by constructing suitable measurements and applying scalar or multivariate versions of Kotlarski identity. As a result, the joint distribution of the latent vector and measurement errors is fully identified without requiring injective measurements, showing that multivariate latent structure can be recovered in broader settings than previously believed. Under injectivity, the paper also provides user-friendly testable conditions for identification. Finally, this paper provides general identification results for nonlinear models using a newly-defined generalized Kruskal rank - signal rank - of intergral operators. These results have wide applicability in empirical work involving noisy or indirect measurements, including factor models, survey data with reporting errors, mismeasured regressors in econometrics, and multidimensional latent-trait models in psychology and marketing, potentially enabling more robust estimation and interpretation when clean measurements are unavailable.