Asymptotic distributions of principal components based on robust dispersions
基于稳健离散度的主成分渐近分布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：摘要研究通用稳健主成分理论，未明确建立宏观或金融因子模型。
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…
关注这篇论文的作者
基于稳健离散度的主成分渐近分布
- 研究问题
- 将主成分方向上的方差替换为稳健离散度度量后，所得主成分具有怎样的渐近分布，离散度泛函的选择为何重要？
- 方法与思路
- 作者沿投影寻踪思路，通过最大化稳健离散度定义主成分，研究其渐近分布，并讨论离散度泛函影响函数连续性的必要性。
- 材料陈述的贡献
- 摘要称，文章得到最大化稳健离散度的主成分的渐近正态性，并解释为何需要选择具有连续影响函数的离散度泛函。
- 阅读关注点
- 应核对稳健离散度的定义、主成分方向及尺度的参数化、渐近正态性的条件，以及影响函数连续性在论证中的作用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；正则条件与渐近协方差未提供，不能将结果推广到任意稳健离散度或所有主成分设定。
原文摘要
Algebraically, principal components can be defined as the eigenvalues and eigenvectors of a covariance or correlation matrix, but they are statistically meaningful as successive projections of the multivariate data in the direction of maximal variability. An attractive alternative in robust principal component analysis is to replace the classical variability measure, i.e. variance, by a robust dispersion measure. This projection‐pursuit approach was first proposed in Li & Chen (1985) as a method of constructing a robust scatter matrix. Recent unpublished work of C. Croux and A. Ruiz‐Gazen provided the influence functions of the resulting principal components. The present paper focuses on the asymptotic distributions of robust principal components. In particular, we obtain the asymptotic normality of the principal components that maximise a robust dispersion measure. We also explain the need to use a dispersion functional with a continuous influence function.