High Dimensional Correlation Matrices: The Central Limit Theorem and Its Applications
高维相关矩阵：中心极限定理及其应用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：摘要明确将谱统计量用于因子模型中的载荷与因子等价性检验，但未指定宏观应用背景。
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…
高维相关矩阵：中心极限定理及其应用
- 研究问题
- 当变量维数与样本量可比时，样本相关矩阵的线性谱统计量如何支持统计推断，并用于独立性及因子模型的等价性检验？
- 方法与思路
- 作者建立高维样本相关矩阵线性谱统计量的中心极限定理，也处理一种特殊相关结构，并据此构造检验和进行收入数据应用。
- 材料陈述的贡献
- 摘要称得到新的谱统计量中心极限定理及相关结构下的扩展，应用于变量独立性与因子模型检验，并考察有限样本表现。
- 阅读关注点
- 应核对维数与样本量的渐近关系、矩条件和特殊相关结构，明确因子模型等价性假设，并查看检验校准及收入数据处理。
- 阅读边界
- 仅据所给 Crossref 摘要；特殊相关结构、因子模型等价性的确切含义及检验数值表现未说明，不能判断实际功效大小。
原文摘要
Summary Statistical inferences for sample correlation matrices are important in high dimensional data analysis. Motivated by this, the paper establishes a new central limit theorem for a linear spectral statistic of high dimensional sample correlation matrices for the case where the dimension p and the sample size n are comparable. This result is of independent interest in large dimensional random-matrix theory. We also further investigate the sample correlation matrices of a high dimensional vector whose elements have a special correlated structure and the corresponding central limit theorem is developed. Meanwhile, we apply the linear spectral statistic to an independence test for p random variables, and then an equivalence test for p factor loadings and n factors in a factor model. The finite sample performance of the test proposed shows its applicability and effectiveness in practice. An empirical application to test the independence of household incomes from various cities in China is also conducted.