Consistency of AIC and BIC in estimating the number of significant components in high-dimensional principal component analysis
高维主成分分析中 AIC 与 BIC 估计显著成分数的一致性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：摘要研究一般高维 PCA 的成分数选择，未明确建立宏观或金融因子模型。
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…
高维主成分分析中 AIC 与 BIC 估计显著成分数的一致性
- 研究问题
- 在高维主成分分析中，AIC 与 BIC 何时能一致估计显著成分数，尤其当总体主导特征值有界或发散时？
- 方法与思路
- 作者运用随机矩阵理论，在高维渐近框架下分别处理有界和发散的主导特征值，推导强一致性的充分条件。
- 材料陈述的贡献
- 摘要称结果不要求总体分布正态，并通过模拟强调所列充分条件的重要性；未给出条件的具体形式或完整必要性结论。
- 阅读关注点
- 应核对维度与样本量的增长关系、谱分离及分布矩条件、AIC/BIC 的具体定义，以及模拟如何检验条件的重要性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；不要求正态不代表无需分布条件，模拟也不能将充分条件自动升级为必要条件。
原文摘要
In this paper, we study the problem of estimating the number of significant components in principal component analysis (PCA), which corresponds to the number of dominant eigenvalues of the covariance matrix of $p$ variables. Our purpose is to examine the consistency of the estimation criteria AIC and BIC based on the model selection criteria by Akaike [In 2nd International Symposium on Information Theory (1973) 267–281, Akadémia Kiado] and Schwarz [Estimating the dimension of a model 6 (1978) 461–464] under a high-dimensional asymptotic framework. Using random matrix theory techniques, we derive sufficient conditions for the criterion to be strongly consistent for the case when the dominant population eigenvalues are bounded, and when the dominant eigenvalues tend to infinity. Moreover, the asymptotic results are obtained without normality assumption on the population distribution. Simulation studies are also conducted, and results show that the sufficient conditions in our theorems are essential.