Sparse principal component analysis for high-dimensional stationary time series
高维平稳时间序列的稀疏主成分分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究高维平稳及重尾时间序列；主成分分析本身不足以确定为因子模型。
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…
高维平稳时间序列的稀疏主成分分析
- 研究问题
- 高维平稳过程中的普通主成分分析表现欠佳时，如何使用稀疏惩罚估计主成分，并处理时间依赖和重尾观测带来的困难？
- 方法与思路
- 作者研究惩罚型主成分估计量，为包括重尾时间序列的过程建立理论界与收敛率，讨论调参的理论速率，并进行模拟及温度数据应用。
- 材料陈述的贡献
- 摘要称，文章建立了惩罚估计量的 oracle 不等式和收敛率，解释调参速率，并用数值模拟与平均温度序列展示方法表现。
- 阅读关注点
- 应核对平稳性之外的依赖与尾部条件、稀疏性定义、惩罚形式，以及调参理论速率与实际选择之间的联系和模拟评价标准。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出具体收敛率、重尾限制或模拟数值，不能断言对任意高维过程有效。
原文摘要
We consider the sparse principal component analysis for high-dimensional stationary processes. The standard principal component analysis performs poorly when the dimension of the process is large. We establish the oracle inequalities for penalized principal component estimators for the processes including heavy-tailed time series. The rate of convergence of the estimators is established. We also elucidate the theoretical rate for choosing the tuning parameter in penalized estimators. The performance of the sparse principal component analysis is demonstrated by numerical simulations. The utility of the sparse principal component analysis for time series data is exemplified by the application to average temperature data.