发表机构
ITAM（墨西哥国立自治大学数据科学研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对二元数据提出一种因子间负相关的因子模型，研究其理论性质并实现完整贝叶斯推断，通过模拟与真实数据验证其优于传统基准。
AI 中文摘要
正交因子模型通过一组较小的潜在因子来揭示一组变量中的协方差结构，一直是一个非常实用的工具。这一经典模型适用于具有无界支撑的连续变量，因为对可观测变量和因子最常见的假设是多元正态性。在本工作中，我们提出了一种针对二元数据的因子模型。因子之间呈负相关，因此它们相互回避。我们研究了该模型的理论性质，并进行了完整的贝叶斯推断。我们通过模拟数据集和真实数据集展示了我们提出的方法的性能，并与传统基准进行了比较。
英文摘要
The orthogonal factor model has been a very useful tool in uncovering covariance structures in a set of variables through a smaller set of underlying factors. This old model is suitable for continuous variables with unbounded support, since the most common assumption for the observables and the factors is multivariate normality. In this work, we propose a factor model for binary data. Factors are negative dependent, so they avoid each other. We study the theoretical properties of the model and carry out a full Bayesian inference. We illustrate the performance of our proposal with simulated and real data sets and compare with the traditional benchmark.
