動的因子分析と差異の因子分析

私は動的要因分析に頭を抱えようとしています。これまでのところ、私の理解では、DFAは因子分析とスコアの時系列モデルにすぎません（負荷は固定されたままです）。ただし、私が見たケースでは、スコアのモデルは対角相関行列を使用した単なるランダムウォークです。これは、違いに適用された通常の因子分析と同じようです。何が欠けていますか？

私を始めるための良い参考文献を知っているなら、私はそれらに感謝します。負荷がゆっくりと変化することを可能にするものを実際に見つけたいです。それについて考えるための私のコンテキストは、West＆HarrisonスタイルのDLMです。

ここに行く：

私の分野（発達科学）では、個人の集中的な多変量時系列データにDFAを適用します。集中的な小さなサンプルが重要です。DFAを使用すると、潜在要素の構造と時間遅れの関係の両方を調べることができます。モデルパラメータは時間に対して一定であるため、定常時系列（つまり、確率過程の定常性の確率分布は一定）は、これらのモデルで実際に見ているものです。ただし、研究者は、時変共変量を含めることでこれを少し緩和しています。DFAを推定する方法はたくさんありますが、そのほとんどはテプリッツ行列を含みます：ブロックテプリッツ行列を使用した最尤（ML）推定（Molenaar、1985）、ブロックテプリッツ行列を使用した一般化最小二乗推定（Molenaar＆Nesselroade、1998）、通常遅延相関行列を使用した最小二乗推定（Browne＆Zhang、2007）、カ​​ルマンフィルターを使用した生データML推定（Engle＆Watson、1981; Hamaker、Dolan、およびMolenaar、2005）、

私の分野では、DFAは顕在関係を潜在レベルでモデル化する上で不可欠なツールになり、同時にマニフェストインジケーターの固有の機能、つまり、イディオグラフィックフィルターもキャプチャしました。

PテクニックはDFAの前身でした。そのため、その後の結果だけでなく、状態空間モデルも確認してください。

見栄えの良い概観のための推定手順については、リスト内の参考資料を読んでください。