A Matrix-free Likelihood Method for Exploratory Factor Analysis of High-dimensional Gaussian Data.
A Matrix-free Likelihood Method for Exploratory Factor Analysis of High-dimensional Gaussian Data.
复制标题
DOI：
10.1080/10618600.2019.1704296
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Maitra R
中科院分区：
文献类型：
--
作者：
Dai F;Dutta S;Maitra R
本文提出了一种新颖的轮廓似然方法，用于估计高维高斯数据集探索性因子分析中的协方差参数，观测值少于变量数。实施隐式重启 Lanczos 算法和有限内存拟牛顿法来开发用于似然最大化的无矩阵框架。仿真结果表明，我们的方法比期望最大化解决方案快得多，而且不牺牲准确性。我们的方法适用于对自杀未遂者、自杀意念者和对照组的数据进行因子模型拟合。
This paper proposes a novel profile likelihood method for estimating the covariance parameters in exploratory factor analysis of high-dimensional Gaussian datasets with fewer observations than number of variables. An implicitly restarted Lanczos algorithm and a limited-memory quasi-Newton method are implemented to develop a matrix-free framework for likelihood maximization. Simulation results show that our method is substantially faster than the expectation-maximization solution without sacrificing accuracy. Our method is applied to fit factor models on data from suicide attempters, suicide ideators and a control group.
登录
查看更多内容
自杀和情感概念神经表示的机器学习确定了自杀青年。
影响因子：
29.9
作者：
Just MA;Pan L;Cherkassky VL;McMakin DL;Cha C;Nock MK;Brent D
通讯作者：
Brent D
DOI：
10.1111/rssb.12084
发表时间：
2015-06-01
影响因子：
5.8
作者：
Dutta, Somak;Mondal, Debashis
通讯作者：
Mondal, Debashis
影响因子：
1.6
作者：
Robertson, Donald;Symons, James
通讯作者：
Symons, James
影响因子：
2.7
作者：
Zhu, CY;Byrd, RH;Nocedal, J
通讯作者：
Nocedal, J
通过替代变量分析捕获基因表达研究中的异质性。
影响因子：
4.5
作者：
Leek, Jeffrey T.;Storey, John D.
通讯作者：
Storey, John D.