A useful variant of the Davis–Kahan theorem for statisticians
面向统计应用的 Davis–Kahan 定理变体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：摘要研究一般矩阵扰动与子空间误差，未提供归入所列经济计量细分领域的直接依据。
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
面向统计应用的 Davis–Kahan 定理变体
- 研究问题
- 在比较总体与样本特征向量张成的子空间时，能否仅依赖总体特征值间隔给出便于统计应用的扰动界？
- 方法与思路
- 作者将经典定理中的总体与样本特征值分离条件改为仅涉及总体的条件，并扩展到非对称或非方阵的奇异向量子空间。
- 材料陈述的贡献
- 摘要称，新变体更便于统计应用，在许多情形下改进文献中常用的界，并提供针对奇异向量子空间的扩展。
- 阅读关注点
- 应核对总体特征值间隔的准确条件、子空间距离与矩阵扰动的度量，以及界的改进范围和奇异向量扩展的限制。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体常数、定理条件与证明未提供，不能推断其对任意矩阵或后续刊本均成立。
原文摘要
The Davis–Kahan theorem is used in the analysis of many statistical procedures to bound the distance between subspaces spanned by population eigenvectors and their sample versions. It relies on an eigenvalue separation condition between certain population and sample eigenvalues. We present a variant of this result that depends only on a population eigenvalue separation condition, making it more natural and convenient for direct application in statistical contexts, and provide an improvement in many cases to the usual bound in the statistical literature. We also give an extension to situations where the matrices under study may be asymmetric or even non-square, and where interest is in the distance between subspaces spanned by corresponding singular vectors.