Analisis faktor dinamis vs analisis faktor pada perbedaan

Saya mencoba untuk membungkus kepala saya di sekitar analisis faktor dinamis. Sejauh ini, pemahaman saya adalah bahwa DFA hanyalah analisis faktor ditambah model deret waktu pada skor (pemuatan tetap). Namun, dalam kasus-kasus yang saya lihat, model pada skor hanyalah jalan acak dengan matriks korelasi diagonal. Ini tampaknya identik dengan analisis faktor normal yang diterapkan pada perbedaan. Apa yang saya lewatkan?

Jika Anda tahu ada referensi bagus untuk memulai, saya akan menghargai mereka. Saya sebenarnya ingin menemukan sesuatu yang memungkinkan pemuatan bervariasi secara perlahan; konteks saya untuk berpikir tentang itu adalah DLM gaya West & Harrison, yang belum membuat saya jauh.

time-series factor-analysis

— Johann Hibschman
sumber

Jika beban Anda lambat bervariasi dan skor faktor Anda juga bervariasi, tidak segera jelas bagaimana Anda akan mengidentifikasi model. Kovariat pada skor faktor mungkin?

— conjugateprior

@conjugateprior Lihat ini

— bfoste01

Setelah skim (yang memang singkat) dari makalah saya poinnya adalah bahwa orang tidak dapat mengindeks baik memuat dan skor faktor dengan . Paling banyak salah satunya.

λ

$\lambda$

f

$f$

t

$t$

— conjugateprior

Ini dia:

Di bidang saya (ilmu perkembangan) kami menerapkan DFA untuk data deret waktu multivariat yang intensif bagi seorang individu. Sampel kecil intensif adalah kuncinya.DFA memungkinkan kita untuk memeriksa baik struktur maupun hubungan waktu-lambat dari faktor laten. Parameter model adalah konstan sepanjang waktu, sehingga seri waktu stasioner (yaitu, distribusi probabilitas stasioneritas dari proses stokastik adalah konstan) benar-benar apa yang Anda lihat dengan model-model ini. Namun, para peneliti sedikit mengendurkan hal ini dengan memasukkan kovariat yang bervariasi waktu. Ada banyak cara untuk memperkirakan DFA, yang sebagian besar melibatkan matriks Toeplitz: estimasi kemungkinan maksimum (ML) dengan blok matriks Toeplitz (Molenaar, 1985), estimasi estimasi kuadrat terkecil dengan matriks blok Toeplitz (Molenaar & Nesselroade, 1998), biasa estimasi kuadrat terkecil dengan matriks korelasi lagging (Browne & Zhang, 2007), estimasi data mentah ML dengan filter Kalman (Engle & Watson, 1981; Hamaker, Dolan, & Molenaar, 2005),

Di bidang saya, DFA telah menjadi alat penting dalam memodelkan hubungan nomotetis pada tingkat laten, sementara juga menangkap fitur istimewa dari indikator manifes: filter idiografis.

Teknik-P adalah prekursor untuk DFA, jadi Anda mungkin ingin memeriksanya, serta apa yang terjadi setelah ... model ruang-negara.

Baca salah satu referensi dalam daftar untuk prosedur estimasi untuk ikhtisar yang bagus.

— bfoste01
sumber