To understand the underlying factor

To understand the underlying factors that are common in mood transitions across different cohorts, we use Bayesian nonparametric factor analysis. When there are more than one data cohort and they are related, it is useful to perform joint factoranalysisthatexploitsharedstatisticalproperties.Anaive way to perform joint factor analysis is to augment the data from each cohort into a single dataset as if they come from the samesourceandperformfactoranalysis.However,thisisoften suboptimal because each data cohort has its own variations, differingindistribution.Sharedsubspacelearningmodels[11], [12]–[14], [16] exploit the sharing strengths, whilst preserving the individual variations. They learn common factors across cohorts but also ones specific to each cohort. We show how to applyourrecentmodel[11],[16]tothisapplication,extracting shared and individual factors across the cohorts being considered. This model has two main advantages: it uses Bayesian nonparametric prior, thus not requiring a priori parameters such as numbers of factors, and it allows us to analyze the individual and shared aspects across 18 cohorts in a rigorous Bayesian framework. This allows us to understand the mood transitionpatterns.Weshowquantitativelythatmoodtransition to negative moods are commonly seen in cohorts with low social capital; cohorts with high social capital mostly have positive mood transitions.

ผลลัพธ์ (ไทย) 1:

เข้าใจปัจจัยพื้นฐานที่เป็นในช่วงอารมณ์ข้าม cohorts อื่น เราใช้ทฤษฎีวิเคราะห์ปัจจัย nonparametric เมื่อมีมากกว่าหนึ่งข้อมูล cohort และผู้เกี่ยวข้อง เป็นประโยชน์ในการทำ factoranalysisthatexploitsharedstatisticalproperties ร่วม Anaive ไปทำการวิเคราะห์ปัจจัยร่วมคือการ เพิ่มข้อมูลจากแต่ละผู้ผ่านเข้าไปในชุดข้อมูลเดียวประหนึ่งว่าพวกเขามาจาก samesourceandperformfactoranalysis อย่างไรก็ตาม สภาพเนื่องจากข้อมูล cohort แต่ละรูปแบบของตัวเอง differingindistribution thisisoften Sharedsubspacelearningmodels [11], [12] – [14], [16] ใช้จุดแข็งร่วมกัน ในขณะที่รักษาแต่ละรูปแบบ พวกเขาเรียนรู้ปัจจัยทั่วไปข้าม cohorts แต่ specific คนให้แต่ละผู้ผ่าน เราแสดงวิธีการ applyourrecentmodel [11], tothisapplication [16] ดึงข้อมูลร่วมกันและแต่ละปัจจัยข้าม cohorts ที่กำลังพิจารณา รุ่นนี้มีข้อได้เปรียบหลักที่สอง: ใช้ทฤษฎีก่อน nonparametric ไม่ต้องพารามิเตอร์ priori ความเช่นตัวเลขปัจจัย และมันช่วยให้เราสามารถวิเคราะห์ลักษณะแต่ละคน และใช้ร่วมกันข้าม cohorts 18 ในกรอบทฤษฎีอย่างเข้มงวด นี้ช่วยให้เราเข้าใจ transitionpatterns อารมณ์ Weshowquantitativelythatmoodtransition จะลบอารมณ์มักจะเห็นใน cohorts ด้วยทุนทางสังคมต่ำ cohorts ด้วยทุนทางสังคมสูงส่วนใหญ่ได้เปลี่ยนอารมณ์บวก

ผลลัพธ์ (ไทย) 2:

เพื่อให้เข้าใจถึงปัจจัยพื้นฐานที่เป็นเรื่องธรรมดาในการเปลี่ยนอารมณ์ที่แตกต่างกันทั่วผองเพื่อนเราใช้การวิเคราะห์ปัจจัยที่ไม่อิงพารามิเตอร์แบบเบย์ เมื่อมีมากกว่าหนึ่งการศึกษาข้อมูลและการที่พวกเขามีความสัมพันธ์จะเป็นประโยชน์ในการดำเนินการทาง factoranalysisthatexploitsharedstatisticalproperties.Anaive ร่วมกันเพื่อดำเนินการวิเคราะห์ปัจจัยร่วมกันคือการเพิ่มข้อมูลจากการศึกษาแต่ละเป็นชุดเดียวเช่นถ้าพวกเขามาจาก samesourceandperformfactoranalysis.However ที่ thisisoften ด้อยเพราะการศึกษาข้อมูลที่แต่ละคนมีรูปแบบของตัวเอง differingindistribution.Sharedsubspacelearningmodels [11] [12] - [14], [16] ใช้ประโยชน์จากจุดแข็งที่ใช้ร่วมกันในขณะที่การรักษารูปแบบที่เปลี่ยนแปลง พวกเขาเรียนรู้ปัจจัยร่วมกันทั่วผองเพื่อนคน แต่ยังค speci Fi เพื่อการศึกษาในแต่ละ เราจะแสดงวิธีการ applyourrecentmodel [11], [16] tothisapplication สกัดปัจจัยที่ใช้ร่วมกันและบุคคลทั่วผองเพื่อนได้รับการพิจารณา รุ่นนี้มีสองข้อได้เปรียบหลักจะใช้เบย์อิงพารามิเตอร์ก่อนจึงไม่จำเป็นต้องพารามิเตอร์เบื้องต้นเช่นหมายเลขของปัจจัยและมันช่วยให้เราสามารถวิเคราะห์ของแต่ละบุคคลและด้านการใช้ร่วมกันใน 18 ผองเพื่อนในกรอบคชกรรมอย่างเข้มงวด นี้จะช่วยให้เราเข้าใจ transitionpatterns.Weshowquantitativelythatmoodtransition อารมณ์ที่จะอารมณ์ความรู้สึกเชิงลบจะเห็นได้ทั่วไปในผองเพื่อนที่มีทุนทางสังคมต่ำ ผองเพื่อนที่มีทุนทางสังคมสูงส่วนใหญ่มีการเปลี่ยนอารมณ์บวก

ผลลัพธ์ (ไทย) 3:

เพื่อให้เข้าใจถึงปัจจัยพื้นฐานที่พบบ่อยในการเปลี่ยนอารมณ์ที่แตกต่างกันทั่วไทย เราใช้วิธีนอนพาราเมตริกแบบการวิเคราะห์องค์ประกอบ . เมื่อมีมากกว่าหนึ่งที่ศึกษาข้อมูลและพวกเขาที่เกี่ยวข้อง มันเป็นประโยชน์ที่จะแสดง factoranalysisthatexploitsharedstatisticalproperties ร่วมกันวิธี anaive แสดงการวิเคราะห์ปัจจัยร่วมกันคือการเพิ่มข้อมูลจากแต่ละรุ่นที่เข้าศึกษาเป็นข้อมูลเดียวเช่นถ้าพวกเขามาจาก samesourceandperformfactoranalysis อย่างไรก็ตาม thisisoften suboptimal เพราะแต่ละที่ศึกษาข้อมูลมีรูปแบบของตัวเอง differingindistribution . sharedsubspacelearningmodels [ 11 ] , [ 12 ] และ [ 14 ] , [ 16 ] ใช้ประโยชน์จากจุดแข็งร่วมกัน ขณะที่ การรักษารูปแบบของแต่ละบุคคลพวกเขาเรียนรู้ปัจจัยร่วมกันทั่วไทย แต่ยังคนที่กาจึง C แต่ละรุ่นที่เข้าศึกษา เราแสดงวิธีการ applyourrecentmodel [ 11 ] , [ 16 ] tothisapplication , การสกัดที่ใช้ร่วมกันและปัจจัยส่วนบุคคลทั่วไทยได้รับการพิจารณา รุ่นนี้มีสองข้อได้เปรียบหลัก : มันใช้แบบตัวก่อน จึงไม่ต้องใช้ a priori พารามิเตอร์เช่นจำนวนของปัจจัยและจะช่วยให้เราวิเคราะห์รายบุคคลและร่วมกันด้านข้าม 18 cohorts ในเคร่งครัดแบบกรอบ นี้ช่วยให้เราเข้าใจอารมณ์ transitionpatterns . weshowquantitativelythatmoodtransition กับอารมณ์เชิงลบเป็นปกติจะเห็นในไทยด้วยต้นทุนทางสังคมต่ำ ผองเพื่อนกับทุนทางสังคมสูงส่วนใหญ่มีการเปลี่ยนอารมณ์เชิงบวก