球面上数据的探索性因子分析

高维球面上的数据在许多学科中频繁出现,或是自然产生,或是初步处理的结果,并可能具有需要被理解的复杂依赖结构。我们发展了基于投影正态分布的探索性因子分析,以利用少数易于解释的潜因子解释此类数据的变异性。我们的方法通过一种新颖的快速交替期望剖面条件最大化算法提供极大似然估计。在广泛设置下的模拟实验结果显示一致优异。当应用于 2018 年 12 月初带有 #MeToo 标签的推文、静息状态下平均青春期前大脑的时间过程功能磁共振图像、刻画手写数字,以及来自癌症基因组图谱中癌细胞的基因表达数据时,我们的方法提供了可解释且富有洞察的结果。