.png){kind=icon}
返回
A Latent Variable Approach to Learning High-Dimensional Multivariate Longitudinal Data
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2025.2606384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维多元纵向数据，即当许多结局变量随时间重复测量时产生，在社会科学、行为科学和健康科学中正变得越来越普遍。我们提出了一种潜变量模型，用于基于高维多元纵向数据对协变量效应进行统计推断和预测未来结局。该模型引入未观测因子来解释变量间和时间上的依赖关系并辅助预测。在允许结局变量为混合类型且可能在某些时间点缺失（例如由于右截断）的一般设定下，开发了统计推断和预测工具。为回归系数的统计推断建立了中心极限定理。此外，引入了一种信息准则以选择因子数量。所提出的模型应用于顾客杂货购物记录，以预测和理解购物行为。本文的补充材料可在线获取，包括用于重现工作的材料的标准化描述。
Keyword:
Factor model
Missing data
Recurrent event data
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
.png){kind=icon}
Statistical Analysis of Complex Problem-Solving Process Data: An Event History Analysis Approach
OAAI
OAAI分享收藏
查看更多内容