Dimension estimation in a spiked covariance model using high-dimensional data augmentation
利用高维数据增广估计尖峰协方差模型的维度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：摘要研究一般尖峰协方差模型的维度估计，未明确涉及宏观或金融因子模型，因而不据主题相似性归类。
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…
关注这篇论文的作者
利用高维数据增广估计尖峰协方差模型的维度
- 研究问题
- 通过向数据加入噪声变量估计潜在维度时，如何适应高维情形，并解释原方法在数据或增广维度过大时的失效？
- 方法与思路
- 作者修改已有噪声变量增广维度估计程序，建立高维渐近结果，并以模拟和真实数据比较新方法与竞争方法。
- 材料陈述的贡献
- 摘要称，修改后的程序在广泛高维情形下一致，并解释原方法的失效原因；经验比较展示模型内外的相对表现。
- 阅读关注点
- 应核对尖峰强度、噪声结构与维度比例条件，以及增广变量生成方式、维度判定规则和模型外比较的设计。
- 阅读边界
- 仅依据所给Crossref摘要；一致性条件、修改细节和比较数值未说明，摘要中的优势陈述不能推广为所有高维数据上的优越性。
原文摘要
Summary We propose a modified, high-dimensional version of a recent dimension estimation procedure that determines the dimension via the introduction of augmented noise variables into the data. Our asymptotic results show that the proposal is consistent in wide, high-dimensional scenarios, and further shed light on why the original method breaks down when the dimension of either the data or the augmentation becomes too large. Simulations and real data are used to demonstrate the superiority of the proposal to competitors both under and outside of the theoretical model.