高维数据的因子旋转估计技术改进.docxVIP

高维数据的因子旋转估计技术改进

一、引言

随着大数据时代的到来，高维数据在生物医学、金融分析、社交媒体运营等众多领域中大量涌现，这类数据通常具有变量数量远大于样本数量的特征，给传统的统计分析方法带来了严峻挑战（陈希孺，2009）。因子分析作为一种经典的降维和结构识别方法，通过提取潜在因子来解释变量间的内在关联，而因子旋转是因子分析中至关重要的环节——它通过正交或斜交变换，使潜在因子的载荷矩阵更具可解释性，让每个因子对应少数几个核心变量，从而便于研究人员解读数据背后的实际意义（张尧庭，2006）。

然而，传统的因子旋转估计技术，如方差最大化旋转、四次方最大旋转等，最初是针对低维数据设计的，当应用