Dynamische Faktoranalyse vs. Faktoranalyse auf Unterschiede

Ich versuche, mich mit der Analyse dynamischer Faktoren zu beschäftigen. Bisher verstehe ich, dass DFA nur eine Faktorenanalyse plus ein Zeitreihenmodell für die Scores ist (die Belastungen bleiben fest). In den Fällen, die ich gesehen habe, ist das Modell der Scores jedoch nur ein zufälliger Spaziergang mit einer diagonalen Korrelationsmatrix. Dies scheint identisch mit der normalen Faktoranalyse zu sein, die auf die Unterschiede angewendet wird. Was vermisse ich?

Wenn Sie gute Referenzen kennen, um mich anzufangen, würde ich sie schätzen. Eigentlich möchte ich etwas finden, bei dem sich die Ladungen langsam ändern können. Mein Kontext, um darüber nachzudenken, sind DLMs im West & Harrison-Stil, die mich nicht weit gebracht haben.

time-series factor-analysis

— Johann Hibschman
quelle

Wenn sich Ihre Belastungen langsam ändern und sich auch Ihre Faktorwerte ändern, ist nicht sofort klar, wie Sie das Modell identifizieren würden. Kovariaten über den Faktor punkten vielleicht?

— Conjugateprior

@conjugateprior Überprüfen Sie dies aus

— bfoste01

λ

$\lambda$

f

$f$

t

$t$

Hier geht:

In meinem Bereich (Entwicklungswissenschaft) wenden wir DFA auf intensive multivariate Zeitreihendaten für eine Person an. Intensive kleine Proben sind der Schlüssel.Mit DFA können wir sowohl die Struktur als auch die zeitverzögerten Beziehungen latenter Faktoren untersuchen. Die Modellparameter sind über die Zeit konstant, daher sind stationäre Zeitreihen (dh die Wahrscheinlichkeitsverteilungen der Stationarität des stochastischen Prozesses sind konstant) genau das, was Sie mit diesen Modellen betrachten. Forscher haben dies jedoch etwas gelockert, indem sie zeitvariable Kovariaten einbezogen haben. Es gibt viele Möglichkeiten, die DFA zu schätzen, von denen die meisten die Toeplitz-Matrizen betreffen: Maximum-Likelihood-Schätzung (ML) mit Block-Toeplitz-Matrizen (Molenaar, 1985), verallgemeinerte Schätzung der kleinsten Quadrate mit Block-Toeplitz-Matrizen (Molenaar & Nesselroade, 1998), gewöhnlich Schätzung der kleinsten Quadrate mit verzögerten Korrelationsmatrizen (Browne & Zhang, 2007), Rohdaten-ML-Schätzung mit dem Kalman-Filter (Engle & Watson, 1981; Hamaker, Dolan & Molenaar, 2005);

In meinem Bereich ist DFA zu einem wesentlichen Werkzeug für die Modellierung nomothetischer Beziehungen auf latenter Ebene geworden und erfasst gleichzeitig eigenwillige Merkmale der Manifestindikatoren: den idiografischen Filter.

Die P-Technik war ein Vorläufer von DFA, daher sollten Sie dies sowie die folgenden ... Zustandsraummodelle überprüfen.

Lesen Sie eine der Referenzen in der Liste für Schätzverfahren, um eine schöne Übersicht zu erhalten.

— bfoste01
quelle