Die bayesianische Faktorenanalyse hat an Bedeutung in der statistischen MODELLIERUNG gewonnen, insbesondere beim Umgang mit Parameterunsicherheit und kleinen Stichprobengrößen. Diese Studie präsentiert einen Metropolis-Hastings-Algorithmus innerhalb des Gibbs-Sampling-Verfahrens zur Schätzung eines Faktorenanalysemodells, das Cauchy-Priorverteilungen für Faktorladungen und log-normal Priorverteilungen für Residualfehler integriert. Im Gegensatz zu traditionellen Ansätzen adressiert die vorgeschlagene Methodik effektiv schwer-taillierte Verteilungen in Faktorladungen und erfasst die Schiefe der Residualvariationen. Ein geriatrisches Datensatz, bestehend aus 25 Elementen, die mit der locomotorischen Funktion zusammenhängen, wird verwendet, um die Implementierung dieses bayesianischen Rahmens zu veranschaulichen. Die Modellanpassung wird mit Hilfe gängiger Anpassungsindizes wie Akaike-Informationskriterium (AIC), Bayes'sches Informationskriterium (BIC), Wurzel des Mittleren Quadratischen Fehlers der Approximation (RMSEA), Vergleichender Anpassungsindex (CFI) und Standardisierte Wurzel des Mittleren Quadratischen Residuums (SRMR) bewertet. Die Ergebnisse zeigen, dass die Einbeziehung nicht-konjugierter Priors die Flexibilität des Modells verbessert und die Interpretierbarkeit bei der Identifizierung der Faktorenstruktur erhöht. Die Ergebnisse deuten darauf hin, dass Cauchy- und log-normal Priors herkömmliche normale Priors bei der Erfassung latenter Strukturen übertreffen und eine robuste Alternative zur bayesianischen Faktorenanalyse in der geriatrischen Forschung bieten.
Jagulin et al. (Mon,) haben diese Frage untersucht.