Análise fatorial dinâmica vs análise fatorial sobre diferenças

Estou tentando entender a análise dinâmica de fatores. Até agora, meu entendimento é que o DFA é apenas análise fatorial mais um modelo de série temporal nas pontuações (as cargas permanecem fixas). No entanto, nos casos que eu vi, o modelo nas pontuações é apenas uma caminhada aleatória com uma matriz de correlação diagonal. Isso parece idêntico à análise fatorial normal aplicada às diferenças. o que estou perdendo?

Se você souber de boas referências para começar, eu as apreciaria. Na verdade, eu gostaria de encontrar algo que permita que as cargas variem lentamente; meu contexto para pensar nisso são os DLMs do estilo West & Harrison, que não me levaram muito longe.

time-series factor-analysis

— Johann Hibschman
fonte

Se suas cargas variarem lentamente e as pontuações de seus fatores também variarem, não está claro imediatamente como você identificaria o modelo. Covariáveis nas pontuações fatoriais, talvez?

— conjugateprior

@conjugateprior Verifique isso

— bfoste01

Após uma breve descrição do artigo, admito que breve, o que quero dizer é que não é possível indexar as cargas e as pontuações do fator com . No máximo um deles.

λ

$\lambda$

f

$f$

t

$t$

— conjugateprior

Aqui vai:

No meu campo (ciência do desenvolvimento), aplicamos o DFA a dados multivariados intensivos de séries temporais de um indivíduo. Amostras pequenas e intensivas são essenciais.O DFA nos permite examinar a estrutura e as relações com atraso de tempo dos fatores latentes. Os parâmetros do modelo são constantes ao longo do tempo; portanto, séries temporais estacionárias (ou seja, as distribuições de probabilidade da estacionariedade do processo estocástico são constantes) é realmente o que você está vendo com esses modelos. No entanto, os pesquisadores relaxaram um pouco isso ao incluir covariáveis que variam no tempo. Existem muitas maneiras de estimar o DFA, a maioria envolvendo as matrizes de Toeplitz: estimativa de máxima verossimilhança (ML) com matrizes de bloco de Toeplitz (Molenaar, 1985), estimação de mínimos quadrados generalizada com matrizes de bloco de Toeplitz (Molenaar & Nesselroade, 1998), ordinária estimativa de mínimos quadrados com matrizes de correlação defasada (Browne & Zhang, 2007), estimativa de ML de dados brutos com o filtro Kalman (Engle & Watson, 1981; Hamaker, Dolan e Molenaar, 2005),

No meu campo, o DFA tornou-se uma ferramenta essencial na modelagem de relações nomotéticas em nível latente, além de capturar características idiossincráticas dos indicadores manifestos: o filtro idiográfico.

A técnica P era um precursor do DFA; portanto, você pode verificar isso e o que veio depois ... dos modelos de espaço de estado.

Leia qualquer uma das referências na lista para obter procedimentos de estimativa para obter boas visões gerais.

— bfoste01
fonte