Convergence and prediction of principal component scores in high-dimensional settings
高维情形下主成分得分的收敛与预测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：摘要涉及一般高维主成分理论和遗传学示例，没有宏观或金融因子模型的直接文本依据。
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
高维情形下主成分得分的收敛与预测
- 研究问题
- 用初始样本预测新观测的主成分得分时，高维矩阵为何可能使朴素预测向零偏移，如何调整这种预测偏差？
- 方法与思路
- 作者在尖峰特征值随机矩阵模型下扩展特征值与特征向量的渐近结果，提出偏差调整预测，并计算得分间的渐近相关系数。
- 材料陈述的贡献
- 摘要称揭示朴素得分预测的向零偏差，并提出调整方法；模拟与遗传学数据示例显示其偏差和数值表现有所改善。
- 阅读关注点
- 应核对尖峰模型设定、矩阵维度的增长关系和偏差调整公式，以及样本与总体特征向量所对应得分的具体定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；尖峰强度条件和改善幅度未说明，不能直接推广到宏观或金融因子预测。
原文摘要
A number of settings arise in which it is of interest to predict Principal Component (PC) scores for new observations using data from an initial sample. In this paper, we demonstrate that naive approaches to PC score prediction can be substantially biased towards 0 in the analysis of large matrices. This phenomenon is largely related to known inconsistency results for sample eigenvalues and eigenvectors as both dimensions of the matrix increase. For the spiked eigenvalue model for random matrices, we expand the generality of these results, and propose bias-adjusted PC score prediction. In addition, we compute the asymptotic correlation coefficient between PC scores from sample and population eigenvectors. Simulation and real data examples from the genetics literature show the improved bias and numerical properties of our estimators.