Principal component analysis in econometrics: a selective inference perspective
计量经济学中的主成分分析：选择性推断视角AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用主成分维度选择，未明确涉及宏观因子、金融因子或其他所列应用方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
计量经济学中的主成分分析：选择性推断视角
- 研究问题
- 在独立同分布、维度小于样本量的随机设计中，如何通过序贯检验估计总体协方差矩阵的真实秩？
- 方法与思路
- 作者使用样本协方差特征值构造统计量，从选择性推断角度开展序贯检验，并避免参数化高斯分布假设。
- 材料陈述的贡献
- 摘要称，在局部定义的原假设下，程序实现渐近精确的第一类错误控制，模拟结果支持其经验有效性。
- 阅读关注点
- 应核对真实维度与协方差秩的定义、局部原假设、序贯停止规则，以及非高斯情境下误差控制所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要结论限于所述抽样与维度框架，未说明高维或依赖数据扩展。
原文摘要
We study the long-standing problem of determining the number of principal components in econometric applications from a selective inference perspective. We consider i.i.d. observations from a $p$-dimensional random vector with $p<n$ and define the ``true'' dimensionality as the rank of the population covariance matrix. Building on the sequential testing viewpoint, we propose a data-driven procedure that estimates $\rank(Σ_X)$ using a statistic that depends on the eigenvalues of the sample covariance matrix. While the test statistic shares the functional form of its fixed design counterpart Choi et al. (2017), our analysis departs from the non-stochastic setting by treating the design as random and by avoiding parametric Gaussian assumptions. Under a locally defined null hypothesis, we establish asymptotically exact type~I error controls in the sequential testing procedure, with simulation results indicating empirical validity of the proposed method.