Higher-order entrywise eigenvectors analysis of low-rank random matrices: Bias correction, Edgeworth expansion and bootstrap
低秩随机矩阵特征向量的逐元素高阶分析：偏差校正、Edgeworth 展开与自助法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：摘要提供通用随机矩阵理论，网络分析仅列为应用背景，不足以确定经济网络或因子模型分类。
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
低秩随机矩阵特征向量的逐元素高阶分析：偏差校正、Edgeworth 展开与自助法
- 研究问题
- 在低秩信号加噪声矩阵中，如何更准确描述特征向量各元素的分布，并据此改进偏差校正和分布近似？
- 方法与思路
- 作者建立包含噪声矩阵线性项及其平方矩阵线性项的高阶随机展开，进而推导偏差校正、学生化统计量展开与残差自助法。
- 材料陈述的贡献
- 摘要称，二阶项的自平滑效应使特定条件下无需 Cramér 条件，并据此论证残差自助法对逐元素统计量的高阶正确性。
- 阅读关注点
- 应核对信号强度、矩阵维度和噪声限制，明确展开余项、学生化方式，以及免除 Cramér 条件和自助法有效性的边界。
- 阅读边界
- 仅据所给 Crossref 摘要解读；其中温和条件未具体列出，不能判断任意低秩矩阵或网络数据是否满足理论要求。
原文摘要
Understanding the distributions of spectral estimators in low-rank random matrix models, also known as signal-plus-noise matrix models, is fundamentally important in various statistical learning problems, including network analysis, matrix denoising and matrix completion. This paper investigates the entrywise eigenvector distributions in a broad range of low-rank signal-plus-noise matrix models by establishing their higher-order accurate stochastic expansions. At a high level, the stochastic expansion states that the eigenvector perturbation approximately decomposes into the sum of a first-order term and a second-order term, where the first-order term in the expansion is a linear function of the noise matrix, and the second-order term is a linear function of the squared noise matrix. Our theoretical finding is used to derive the bias correction procedure for the eigenvectors. We further establish the Edgeworth expansion formula for the Studentized entrywise eigenvector statistics. In particular, under mild conditions, we show that Cramér’s condition on the smoothness of noise distribution is not required, thanks to the self-smoothing effect of the second-order term in the eigenvector stochastic expansion. The Edgeworth expansion result is then applied to justify the higher-order correctness of the residual bootstrap procedure for approximating the distributions of the Studentized entrywise eigenvector statistics.