Bayesian Estimation of Latent Roots and Vectors with Special Reference to the Bivariate Normal Distribution
特征根与特征向量的贝叶斯估计：以二元正态分布为重点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：协方差矩阵特征根与向量的估计属于一般多元统计，摘要未明确提出因子模型。
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
特征根与特征向量的贝叶斯估计：以二元正态分布为重点
- 研究问题
- 如何从贝叶斯角度估计二元正态协方差矩阵的特征根与特征向量，并描述主方向和较大特征根的不确定性？
- 方法与思路
- 作者研究典范变换角度与较大特征根占总方差比例的联合分布，讨论较大根的推断，并提出若干分布近似。
- 材料陈述的贡献
- 摘要称详细分析了上述联合分布并给出例子，同时将其中一种近似方法推广到更高维协方差矩阵的特征根。
- 阅读关注点
- 应核对先验设定、角度与方差比例的参数化、近似精度，以及推广到高维时保留了哪些条件与性质。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明先验、近似误差或高维限制，不能推断通用高维性能。
原文摘要
This paper discusses from a Bayesian viewpoint some aspects of the estimation of latent roots and vectors of the covariance matrix of the bivariate normal distribution. The joint distribution of (i) the angle of the canonical transformation, and (ii) the ratio of the larger root to the total variance is considered in detail and illustrated by an example. Also discussed is the problem of making inferences about the larger roots, and several simple approximations to the distribution are considered. Finally, a generalization is given of one of the approximation methods to latent roots of higher dimensional covariance matrices.