Phân tích nhân tố động so với phân tích nhân tố về sự khác biệt

Tôi đang cố gắng quấn đầu xung quanh phân tích nhân tố động. Cho đến nay, sự hiểu biết của tôi là DFA chỉ là phân tích nhân tố cộng với mô hình chuỗi thời gian trên điểm số (mức tải vẫn cố định). Tuy nhiên, trong các trường hợp mà tôi đã thấy, mô hình về điểm số chỉ là một bước đi ngẫu nhiên với ma trận tương quan đường chéo. Điều này có vẻ giống với phân tích nhân tố bình thường áp dụng cho sự khác biệt. Tôi đang thiếu gì?

Nếu bạn biết bất kỳ tài liệu tham khảo tốt nào để giúp tôi bắt đầu, tôi sẽ đánh giá cao chúng. Tôi thực sự muốn tìm một cái gì đó cho phép các tải được thay đổi từ từ; bối cảnh của tôi để suy nghĩ về điều đó là các DLM kiểu West & Harrison, đã không đưa tôi đi xa.

time-series factor-analysis

— Johann Hibschman
nguồn

Nếu tải của bạn thay đổi chậm và điểm yếu tố của bạn cũng thay đổi thì không rõ ngay cách bạn xác định mô hình. Covariates về điểm yếu tố có lẽ?

— liên hợp chiến

@conjugatep Warrior Hãy xem cái này

— bfoste01 16/07/14

Sau một đoạn ngắn (thừa nhận ngắn gọn) của bài báo, quan điểm của tôi là người ta không thể lập chỉ mục cho cả hai lần tải và hệ số điểm với . Nhiều nhất là một trong số họ.

λ

$\lambda$

f

$f$

t

$t$

— liên hợp chiến

Đây là:

Trong lĩnh vực của tôi (khoa học phát triển), chúng tôi áp dụng DFA cho dữ liệu chuỗi thời gian đa biến chuyên sâu cho một cá nhân. Mẫu nhỏ chuyên sâu là chìa khóa.DFA cho phép chúng tôi kiểm tra cả cấu trúc và mối quan hệ trễ thời gian của các yếu tố tiềm ẩn. Các tham số mô hình là không đổi theo thời gian, do đó chuỗi thời gian đứng yên (nghĩa là phân phối xác suất ổn định của quá trình ngẫu nhiên là không đổi) thực sự là những gì bạn đang xem xét với các mô hình này. Tuy nhiên, các nhà nghiên cứu đã nới lỏng điều này một chút bằng cách bao gồm các đồng biến thời gian khác nhau. Có nhiều cách để ước tính DFA, hầu hết trong số đó liên quan đến ma trận Toeplitz: ước tính khả năng tối đa (ML) với ma trận khối Toeplitz (Molenaar, 1985), ước lượng bình phương nhỏ nhất với ma trận khối Toeplitz (Molenaar & Nesselroade, 1998) ước lượng bình phương nhỏ nhất với ma trận tương quan trễ (Browne & Zhang, 2007), ước lượng ML dữ liệu thô với bộ lọc Kalman (Engle & Watson, 1981; Hamaker, Dolan, & Molenaar, 2005),

Trong lĩnh vực của tôi, DFA đã trở thành một công cụ thiết yếu trong việc mô hình hóa các mối quan hệ du mục ở mức độ tiềm ẩn, đồng thời nắm bắt các tính năng bình dị của các chỉ số biểu hiện: bộ lọc thành ngữ.

Kỹ thuật P là tiền thân của DFA, vì vậy bạn có thể muốn kiểm tra xem nó, cũng như những gì xuất hiện sau ... mô hình không gian nhà nước.

Đọc bất kỳ tài liệu tham khảo nào trong danh sách để biết các thủ tục ước tính cho tổng quan đẹp.

— bfoste01
nguồn