On order determination by predictor augmentation
通过预测变量增广确定降维阶数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：摘要研究一般降维与矩阵秩判定，虽列举主成分分析，但未明确建立宏观或金融因子模型，所给细分证据不足。
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…
通过预测变量增广确定降维阶数
- 研究问题
- 在主成分、典型相关、独立成分和充分降维等问题中，如何利用矩阵特征值之外的信息，更准确地确定降维维数或矩阵秩？
- 方法与思路
- 作者向预测变量加入人工生成的随机向量，利用增广后特征向量相关部分呈现的模式，并结合特征值信息判断阶数。
- 材料陈述的贡献
- 摘要称，随机增广诱导的特征向量模式能够揭示待定阶数的信息，与特征值信息结合可显著提高阶数判定准确性。
- 阅读关注点
- 应核对随机向量的生成方式、增广矩阵与判阶准则、理论适用的维度范围，以及对随机增广次数和分布选择的敏感性。
- 阅读边界
- 仅据所给 Crossref 摘要；判阶一致性的条件、有限样本误差及比较结果未说明，不能直接推广到宏观或金融因子模型，也不能推断版本变化。
原文摘要
Summary In many dimension reduction problems in statistics and machine learning, such as in principal component analysis, canonical correlation analysis, independent component analysis and sufficient dimension reduction, it is important to determine the dimension of the reduced predictor, which often amounts to estimating the rank of a matrix. This problem is called order determination. In this article, we propose a novel and highly effective order-determination method based on the idea of predictor augmentation. We show that if the predictor is augmented by an artificially generated random vector, then the parts of the eigenvectors of the matrix induced by the augmentation display a pattern that reveals information about the order to be determined. This information, when combined with the information provided by the eigenvalues of the matrix, greatly enhances the accuracy of order determination.