1 总体的 k k k-因子模型
1.1 模型设定
x ∼ ( μ , Σ ) x\sim(\mu,\Sigma) x∼(μ,Σ), rank ( Σ ) = r \text{rank}(\Sigma)=r rank(Σ)=r,固定 k < r k\lt r k<r,则 k k k因子模型的设定为
x = A f + μ + ϵ x=Af+\mu+\epsilon x=Af+μ+ϵ
其中 f f f为 k k k维随机向量,称为共同因子(common factor), A A A为 d × k d\times k d×k的线性变换,称为因子载荷(factor loading)。
一般会做出这些假设: f ∼ ( 0 , I k ) f\sim(0,I_k) f∼(0,Ik), ϵ ∼ ( 0 , Ψ ) \epsilon\sim(0,\Psi) ϵ∼(0,Ψ)(其中 Ψ \Psi Ψ为对角矩阵), Cov ( f , ϵ ) = 0 k × d \text{Cov}(f,\epsilon)=0_{k\times d} Cov(f,ϵ)=0k×d。
有的文献中会假设 Var ( f ) = Φ \text{Var}(f)=\Phi Var(f)=Φ, Φ \Phi Φ为对角矩阵,在这里我们假设它是球形的。在我们的假设下,我们有
Σ = A A ′ + Ψ \Sigma=AA'+\Psi Σ=AA′+Ψ
我们可以看 Σ \Sigma Σ和 A A ′ AA' AA′的各元素的接近程度,定义 A A ′ AA' AA′的对角线元素 τ j j = ∑ l = 1 k a j l a j l \tau_{jj}=\sum_{l=1}^{k} a_{jl} a_{jl} τjj=∑l=1kajlajl为第 j j j个communality(共同性),它满足 σ j 2 = σ j j = τ j j + ψ j \sigma^2_j=\sigma_{jj}=\tau_{jj}+\psi_j σj2=σjj=τjj