Selecting the number of principal components: Estimation of the true rank of a noisy matrix
主成分数量选择：含噪矩阵真实秩的估计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：摘要讨论一般矩阵秩选择和 PCA 推断，未指定宏观或金融因子模型，不能仅因主成分分析而归入因子方向。
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…
主成分数量选择：含噪矩阵真实秩的估计
- 研究问题
- 在有限样本的含噪矩阵中，如何选择主成分数量，并对信号进行具有精确第一类错误控制的检验和置信区间构造？
- 方法与思路
- 作者在高斯噪声假设下使用选择后推断框架，利用高斯矩阵奇异值的条件分布，构造基于分布的检验和区间方法。
- 材料陈述的贡献
- 摘要称，方法提供有限样本下精确的第一类错误控制，并将选择后推断扩展至 PCA；模拟中与既有方法相比表现良好。
- 阅读关注点
- 应核对高斯噪声的具体设定、条件化事件、检验对象与秩选择规则的联系，以及置信区间保证和模拟比较所用标准。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；精确控制的具体范围、功效和模拟数值未说明，不能推广到任意噪声或宏观因子模型。
原文摘要
Principal component analysis (PCA) is a well-known tool in multivariate statistics. One significant challenge in using PCA is the choice of the number of principal components. In order to address this challenge, we propose distribution-based methods with exact type 1 error controls for hypothesis testing and construction of confidence intervals for signals in a noisy matrix with finite samples. Assuming Gaussian noise, we derive exact type 1 error controls based on the conditional distribution of the singular values of a Gaussian matrix by utilizing a post-selection inference framework, and extending the approach of [Taylor, Loftus and Tibshirani (2013)] in a PCA setting. In simulation studies, we find that our proposed methods compare well to existing approaches.