Testing General Linear Hypotheses Under a High-Dimensional Multivariate Regression Model with Spiked Noise Covariance
尖峰噪声协方差下高维多元回归的一般线性假设检验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：潜在因子用于一般高维回归与脑影像检验，摘要未涉及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…
尖峰噪声协方差下高维多元回归的一般线性假设检验
- 研究问题
- 当多元回归的响应维数很高，且噪声协方差具有尖峰结构时，如何检验一般线性假设并选择有利于功效的正则化？
- 方法与思路
- 作者将数据向估计的潜在因子方向投影，以加权投影和构造一族检验，并依据局部备择选择数据驱动的正则化权重。
- 材料陈述的贡献
- 摘要称证明零假设下统计量的渐近正态性，刻画检验功效，并将方法用于脑体积测量与行为变量的关联检验。
- 阅读关注点
- 应核对尖峰强度与维数增长条件、潜在方向估计误差，以及权重选择的备择范围和对检验尺寸、功效的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；尖峰结构和渐近条件未列明，脑影像关联不提供因果解释，也不能推断刊本变化。
原文摘要
We consider the problem of testing linear hypotheses under a multivariate regression model with a high-dimensional response and spiked noise covariance. The proposed family of tests consists of test statistics based on a weighted sum of projections of the data onto the estimated latent factor directions, with the weights acting as the regularization parameters. We establish asymptotic normality of the test statistics under the null hypothesis. We also establish the power characteristics of the tests and propose a data-driven choice of the regularization parameters under a family of local alternatives. The performance of the proposed tests is evaluated through a simulation study. Finally, the proposed tests are applied to the Human Connectome Project data to test for the presence of associations between volumetric measurements of human brain and behavioral variables. Supplementary materials for this article are available online including a standardized description of the materials available for reproducing the work.