Principal component analysis based on robust estimators of the covariance or correlation matrix: influence functions and efficiencies
基于稳健协方差或相关矩阵估计的主成分分析：影响函数与效率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：摘要讨论通用稳健主成分分析，未明确构建宏观或金融因子模型，故不据此归入因子方向。
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
基于稳健协方差或相关矩阵估计的主成分分析：影响函数与效率
- 研究问题
- 以稳健协方差或相关矩阵替代传统矩阵进行主成分分析时，所得特征值和特征向量的稳健性与效率如何评价？
- 方法与思路
- 作者推导稳健矩阵估计所对应特征值、特征向量估计的影响函数与渐近方差，并通过模拟考察多种估计量。
- 材料陈述的贡献
- 摘要称，理论与模拟结果支持使用 S 估计量，因为它们结合了较高效率和有吸引力的稳健性；比较范围未详述。
- 阅读关注点
- 应核对污染模型、特征值分离等推导条件、效率的参照标准，以及模拟设定是否覆盖相关矩阵和协方差矩阵两类方法。
- 阅读边界
- 所给为版本未注明的 OpenAlex 索引摘要；不能据此认定 S 估计量在所有数据条件下最优，具体效率与稳健性数值未提供。
原文摘要
A robust principal component analysis can be easily performed by computing the eigenvalues and eigenvectors of a robust estimator of the covariance or correlation matrix. In this paper we derive the influence functions and the corresponding asymptotic variances for these robust estimators of eigenvalues and eigenvectors. The behaviour of several of these estimators is investigated by a simulation study. It turns out that the theoretical results and simulations favour the use of S-estimators, since they combine a high efficiency with appealing robustness properties.