This paper examines the high-dimensional dependence modelling problem in the context of project risk assessment. As the dimension of uncertain performance units (i.e., itemized costs and activity times) in a project increases, specifying a feasible correlation matrix and eliciting relevant pair-wise information, either from historical data or with expert judgement, becomes practically unattainable or simply not economical. This paper presents a factor-driven dependence elicitation and modelling framework with scalability to large-scale project risks. The multi-factor association model (MFAM) accounts for hierarchical relationships of multiple association factors and provides a closed-form solution to a complete and mathematically consistent correlation matrix. Augmented with the structured association (SA) technique for systematic identification of hierarchical association factors, the MFAM offers additional flexibility of utilizing the minimum information available in standardized, ubiquitous project plans (e.g., work breakdown structure, resource allocation, or risk register), while preserving the computational efficiency and the scalability to high dimensional project risks. Numerical applications and simulation experiments show that the MFAM, further combined with extended analytics (i.e., parameter calibration and optimization), provides credible risk assessments (with accuracy comparable to full-scale simulation) and further enhances the realism of dealing with high-dimensional project risks utilizing all relevant information.

本文研究了项目风险评估背景下的高维依赖建模问题。随着项目中不确定的绩效单位（即分项成本和活动时间）的维度增加，指定可行的相关矩阵并从历史数据或专家判断中得出相关的成对信息变得几乎无法实现或根本不经济. 本文提出了一个因子驱动的依赖获取和建模框架，具有可扩展到大规模项目风险的能力。多因素关联模型 (MFAM) 考虑了多个关联因素的层次关系，并为完整且数学上一致的相关矩阵提供了封闭形式的解决方案。通过结构化关联 (SA) 技术系统地识别层次关联因素，MFAM 提供了额外的灵活性，可以利用标准化、普遍存在的项目计划（例如，工作分解结构、资源分配或风险登记册）中可用的最少信息，同时保持计算效率和高维项目风险的可扩展性。数值应用和模拟实验表明，MFAM进一步结合扩展分析（即参数校准和优化），提供了可信的风险评估（精度可与全尺寸模拟相媲美），进一步增强了处理高维项目的真实性利用所有相关信息的风险。MFAM 提供了额外的灵活性，可以利用标准化的、无处不在的项目计划（例如，工作分解结构、资源分配或风险登记册）中可用的最少信息，同时保持计算效率和高维项目风险的可扩展性。数值应用和仿真实验表明，MFAM进一步结合扩展分析（即参数校准和优化），提供了可信的风险评估（精度可与全尺寸模拟相媲美），进一步增强了处理高维项目的真实性利用所有相关信息的风险。MFAM 提供了额外的灵活性，可以利用标准化的、无处不在的项目计划（例如，工作分解结构、资源分配或风险登记册）中可用的最少信息，同时保持计算效率和高维项目风险的可扩展性。数值应用和模拟实验表明，MFAM进一步结合扩展分析（即参数校准和优化），提供了可信的风险评估（精度可与全尺寸模拟相媲美），进一步增强了处理高维项目的真实性利用所有相关信息的风险。同时保持计算效率和高维项目风险的可扩展性。数值应用和模拟实验表明，MFAM进一步结合扩展分析（即参数校准和优化），提供了可信的风险评估（精度可与全尺寸模拟相媲美），进一步增强了处理高维项目的真实性利用所有相关信息的风险。同时保持计算效率和高维项目风险的可扩展性。数值应用和模拟实验表明，MFAM进一步结合扩展分析（即参数校准和优化），提供了可信的风险评估（精度可与全尺寸模拟相媲美），进一步增强了处理高维项目的真实性利用所有相关信息的风险。