Analyse factorielle dynamique vs analyse factorielle des différences

J'essaie d'envelopper ma tête autour de l'analyse factorielle dynamique. Jusqu'à présent, je crois comprendre que DFA n'est qu'une analyse factorielle plus un modèle de série chronologique sur les scores (les charges restent fixes). Cependant, dans les cas que j'ai vus, le modèle sur les scores n'est qu'une marche aléatoire avec une matrice de corrélation diagonale. Cela semble identique à l'analyse factorielle normale appliquée aux différences. Qu'est-ce que je rate?

Si vous connaissez de bonnes références pour me lancer, je les apprécierais. J'aimerais en fait trouver quelque chose qui permette aux charges de varier lentement; mon contexte pour y penser est les DLM de style West & Harrison, qui ne m'ont pas mené loin.

time-series factor-analysis

— Johann Hibschman
source

Si vos charges varient lentement et que vos scores factoriels varient également, il n'est pas immédiatement clair comment vous identifieriez le modèle. Des covariables sur les scores factoriels peut-être?

— conjugateprior

@conjugateprior Check this out

— bfoste01

Après un survol (certes bref) du papier, mon argument est que l'on ne pouvait pas indexer à la fois les chargements et les scores de facteur avec . Tout au plus l'un d'eux.

λ

$\lambda$

f

$f$

t

$t$

— conjugateprior

Voici:

Dans mon domaine (science du développement), nous appliquons DFA à des données chronologiques multivariées intensives pour un individu. Les petits échantillons intensifs sont essentiels.DFA nous permet d'examiner à la fois la structure et les relations temporelles des facteurs latents. Les paramètres du modèle sont constants dans le temps, donc les séries chronologiques stationnaires (c'est-à-dire que les distributions de probabilité de stationnarité du processus stochastique sont constantes) sont vraiment ce que vous regardez avec ces modèles. Cependant, les chercheurs ont un peu assoupli cela en incluant des covariables variant dans le temps. Il existe de nombreuses façons d'estimer le DFA, dont la plupart impliquent les matrices de Toeplitz: estimation du maximum de vraisemblance (ML) avec des matrices de Toeplitz en bloc (Molenaar, 1985), estimation généralisée des moindres carrés avec des matrices de Toeplitz en bloc (Molenaar et Nesselroade, 1998), ordinaire estimation des moindres carrés avec des matrices de corrélation décalées (Browne et Zhang, 2007), estimation des données brutes ML avec le filtre de Kalman (Engle et Watson, 1981; Hamaker, Dolan et Molenaar, 2005),

Dans mon domaine, DFA est devenu un outil essentiel dans la modélisation des relations nomothétiques à un niveau latent, tout en capturant les caractéristiques idiosyncratiques des indicateurs manifestes: le filtre idiographique.

La technique P était un précurseur de DFA, vous voudrez peut-être vérifier cela, ainsi que ce qui s'est passé après ... les modèles d'espace d'état.

Lisez l'une des références dans la liste pour les procédures d'estimation pour de belles vues d'ensemble.

— bfoste01
source