Efficient R-Estimation of Principal and Common Principal Components
主成分与共同主成分的高效秩估计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：摘要研究一般主成分的秩估计，没有宏观或金融因子模型的直接文本证据。
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…
主成分与共同主成分的高效秩估计
- 研究问题
- 在单样本或具有共同主成分的多样本情形下，如何构造不要求矩条件的主成分估计，并保持渐近效率？
- 方法与思路
- 作者将基于秩的 Le Cam 一步估计与交叉信息量估计结合，处理椭圆分布及多样本中不同的径向密度。
- 材料陈述的贡献
- 摘要称估计量无需矩条件即可保持根号样本量一致性和渐近正态性，径向密度正确指定时有效，并报告特定效率比较。
- 阅读关注点
- 应核对椭圆分布及共同主成分假设、交叉信息量如何估计，以及高斯得分下 Pitman 优势成立的具体比较范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；渐近优势有分布和比较对象限制，不能等同于任意样本下均更优。
原文摘要
We propose rank-based estimators of principal components, both in the one-sample and, under the assumption of common principal components, in the m-sample cases. Those estimators are obtained via a rank-based version of Le Cam’s one-step method, combined with an estimation of cross-information quantities. Under arbitrary elliptical distributions with, in the m-sample case, possibly heterogeneous radial densities, those R-estimators remain root-n consistent and asymptotically normal, while achieving asymptotic efficiency under correctly specified radial densities. Contrary to their traditional counterparts computed from empirical covariances, they do not require any moment conditions. When based on Gaussian score functions, in the one-sample case, they uniformly dominate their classical competitors in the Pitman sense. Their AREs with respect to other robust procedures are quite high—up to 30, in the Gaussian case, with respect to minimum covariance determinant estimators. Their finite-sample performances are investigated via a Monte Carlo study.