因子分析和对结构性协方差矩阵的推断Factor Analysis and Inference for Structured Covariance Matrices

正交因子模型 The Orthogonal Factor Model
有$p$个成分的观测值随机向量$X$，有均值$\mu$和协方差矩阵$\sum$。因子模型要求$X$是线性依赖于几个不能观测的称之为公共因子 common factors的随机变量$F_1,F_2,...,F_m$和$p$个附加的称之为误差有时也称为特殊因子 additional sources of variation的变量源${\epsilon }_1,{\epsilon }_2,...,{\epsilon }_p$.
因子分析模型为：
$$\begin{gathered} X_1-{\mu }_1=l_{11}{F}_1+l_{12}{F}_2+...+l_{1m}{F}_m+{\epsilon }_1 \\ {X}_2-{\mu }_2=l_{21}{F}_1+l_{22}{F}_2+...+l_{2m}{F}_m+{\epsilon }_2 \\ . \\ . \\ . \\ {X}_p-{\mu }_p=l_{p1}{F}_1+l_{p2}{F}_2+...+l_{pm}{F}_m+{\epsilon }_p \end{gathered}$$

或者写为矩阵形式：
$$\underset{(p\times 1)}{X-\mu }=\underset{(p\times m)}{L}\underset{(m\times 1)}{F}+\underset{(p\times 1)}{\epsilon }$$

称系数$l_{ij}$是第$i$个变量在第$j$个因子上的载荷，故矩阵$L$是因子载荷阵matrix of factor loadings。
我们设定以下假设：
$$\begin{gathered} E(F)=\underset{(m\times 1)}{0},Cov(F)=E[F{F}^{\prime }]=I \\ E( \end{gathered}$$