.png){kind=icon}
返回
Adaptive Partition Factor Analysis
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2621517.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
因子分析传统上被广泛应用于不同学科，以推断影响多变量观测数据行为的潜在特征。历史上，其重点在于分析单一研究的数据，忽略了来自多个研究的数据中可能存在的特定研究变异。多研究因子分析作为一种近期的方法论进展应运而生，通过区分跨研究共享的潜在特征和源于人为或群体特异性变异来源的研究特定成分，弥补了这一空白。本文通过引入新颖的潜在因子收缩先验，扩展了当前的贝叶斯方法，从而能够适应更广泛的场景——从不存在研究特定潜在因子的情况到因子仅适用于嵌套于或共享于研究之间的小子群模型。对于所提出的构建，我们提供了因子载荷可识别的条件，并给出了通过Gibbs采样进行简便后验计算的指导方针。通过全面的模拟研究，我们证明所提出的方法在多种场景下与现有方法相比表现出竞争性能，同时提供更丰富的见解。通过应用于鸟类物种共现数据和卵巢癌基因表达数据，进一步说明了我们方法的实际优势。本文的补充材料可在线获取，包括可复制工作的标准化材料描述。
Keyword:
Bayesian inference
Factor models
Neural networks
Shrinkage priors
Sparsity
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
暂无论文信息