Combining eigenvalues and variation of eigenvectors for order determination
结合特征值与特征向量变动确定阶数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：摘要研究通用矩阵秩与降维阶数判定，虽涉及主成分分析，但未明确宏观或金融因子模型，故暂不归类。
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…
结合特征值与特征向量变动确定阶数
- 研究问题
- 在主成分、典型相关和充分降维分析中，如何结合特征值变化与特征向量方向的不稳定性，确定重要维度及矩阵秩？
- 方法与思路
- 作者同时利用特征值的递减模式和特征向量方向的变动模式，依据特征值间距与方向稳定性的关系构造阶数判定程序。
- 材料陈述的贡献
- 摘要称新程序具有一致性，并通过模拟和应用与其他程序比较；作者认为结合两类信息能够更准确地定位矩阵秩。
- 阅读关注点
- 应核对两类信息的具体组合方式、特征向量变动的估计方法，以及重根、弱信号和维度增长下的一致性条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；一致性条件和比较结果的具体幅度未说明。
原文摘要
In applying statistical methods such as principal component analysis, canonical correlation analysis, and sufficient dimension reduction, we need to determine how many eigenvectors of a random matrix are important for estimation. This problem is known as order determination, and amounts to estimating the rank of a matrix. Previous order-determination procedures rely either on the decreasing pattern, or elbow, of the eigenvalues, or on the increasing pattern of the variability in the directions of the eigenvectors. In this paper we propose a new order-determination procedure by exploiting both patterns: when the eigenvalues of a random matrix are close together, their eigenvectors tend to vary greatly; when the eigenvalues are far apart, their variability tends to be small. The combination of both helps to pinpoint the rank of a matrix more precisely than the previous methods. We establish the consistency of the new order-determination procedure, and compare it with other such procedures by simulation and in an applied setting.