Asymptotic Theory for Common Principal Component Analysis
共同主成分分析的渐近理论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：摘要研究一般共同主成分分析，并未建立宏观或金融因子模型的直接联系。
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
共同主成分分析的渐近理论
- 研究问题
- 当多个总体的协方差矩阵共享一组正交特征向量时，如何刻画最大似然估计的渐近分布，并检验共同方向与主成分冗余？
- 方法与思路
- 作者在协方差矩阵可同时正交对角化的模型下，推导共同特征向量及各总体特征值估计的渐近分布，并构造相关检验。
- 材料陈述的贡献
- 摘要称，文章给出共同方向与主成分冗余的检验，并推导多个总体中部分主成分同时具有球形结构的似然比检验。
- 阅读关注点
- 应核对特征向量识别及特征值重合的处理、最大似然估计所需分布条件，并厘清冗余检验与同时球形检验的原假设。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；抽样分布、识别条件和检验公式未说明，不能据此判断有限样本表现。
原文摘要
Under the common principal component model $k$ covariance matrices $\mathbf{\Sigma}_1,\cdots,\mathbf{\Sigma}_k$ are simultaneously diagonalizable, i.e., there exists an orthogonal matrix $\mathbf{\beta}$ such that $\mathbf{\beta'\Sigma_i\beta = \Lambda_i}$ is diagonal for $i = 1,\cdots, k$. In this article we give the asymptotic distribution of the maximum likelihood estimates of $\mathbf{\beta}$ and $\mathbf{\Lambda}_i$. Using these results, we derive tests for (a) equality of eigenvectors with a given set of orthonormal vectors, and (b) redundancy of $p - q$ (out of $p$) principal components. The likelihood-ratio test for simultaneous sphericity of $p - q$ principal components in $k$ populations is derived, and some of the results are illustrated by a biometrical example.