Limiting behavior of eigenvalues in high-dimensional MANOVA via RMT
基于随机矩阵理论的高维多元方差分析特征值极限行为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。
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：摘要涉及一般高维多元统计与随机矩阵理论，未明确研究因子模型或其他所列方向。
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…
基于随机矩阵理论的高维多元方差分析特征值极限行为
- 研究问题
- 当变量维度与样本量同时较大时，多元方差分析和多重判别分析中的特征值在原假设及局部备择下如何分布？
- 方法与思路
- 作者利用随机矩阵理论推导特征值的渐近联合分布，不要求总体正态，并考察相关不变检验统计量的分布。
- 材料陈述的贡献
- 摘要称，相关分布在高维情形下对偏离正态具有渐近稳健性，并讨论多元回归检验及提出新的随机矩阵公式。
- 阅读关注点
- 应核对维度与样本量的增长关系、非正态总体仍需满足的条件、局部备择尺度及各不变检验的适用范围。
- 阅读边界
- 仅据版本未注明的索引摘要；未说明矩条件和增长比例，不能将非正态稳健性理解为对任意分布均有效。
原文摘要
In this paper, we derive the asymptotic joint distributions of the eigenvalues under the null case and the local alternative cases in the MANOVA model and multiple discriminant analysis when both the dimension and the sample size are large. Our results are obtained by random matrix theory (RMT) without assuming normality in the populations. It is worth pointing out that the null and nonnull distributions of the eigenvalues and invariant test statistics are asymptotically robust against departure from normality in high-dimensional situations. Similar properties are pointed out for the null distributions of the invariant tests in multivariate regression model. Some new formulas in RMT are also presented.