Asymptotics of empirical eigenstructure for high dimensional spiked covariance
高维尖峰协方差经验特征结构的渐近理论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：摘要明确涉及近似因子协方差估计与大型投资组合风险估计。
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
高维尖峰协方差经验特征结构的渐近理论
- 研究问题
- 在维度、样本量和尖峰特征值共同变化时，主成分特征值与特征向量的估计误差、偏差及渐近分布如何变化？
- 方法与思路
- 作者建立允许高维与发散特征值的统一渐近框架，并据此提出修正主成分偏差的近似因子协方差估计量S-POET。
- 材料陈述的贡献
- 摘要称得到特征结构的渐近分布与收敛率结果，揭示主成分估计偏差，并应用于大型组合风险和相关检验的错误发现比例。
- 阅读关注点
- 应核对尖峰强度、维度与样本量的相对增长条件，以及S-POET的偏差修正机制、组合风险目标和误差界。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未列出具体增长条件、误差界或模拟数值，不能判断所有高维场景的表现。
原文摘要
We derive the asymptotic distributions of the spiked eigenvalues and eigenvectors under a generalized and unified asymptotic regime, which takes into account the magnitude of spiked eigenvalues, sample size, and dimensionality. This regime allows high dimensionality and diverging eigenvalues and provides new insights into the roles that the leading eigenvalues, sample size, and dimensionality play in principal component analysis. Our results are a natural extension of those in Paul (2007) to a more general setting and solve the rates of convergence problems in Shen et al. (2013). They also reveal the biases of estimating leading eigenvalues and eigenvectors by using principal component analysis, and lead to a new covariance estimator for the approximate factor model, called shrinkage principal orthogonal complement thresholding (S-POET), that corrects the biases. Our results are successfully applied to outstanding problems in estimation of risks of large portfolios and false discovery proportions for dependent test statistics and are illustrated by simulation studies.