Inference for Spiked Eigenstructure under Generalized Covariance and Correlation Models
广义协方差与相关模型下尖峰特征结构的统计推断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：摘要明确将尖峰方向和强度联系到高维共同因子及载荷，并以股票收益应用说明推断，支持因子模型和金融因子分类。
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
广义协方差与相关模型下尖峰特征结构的统计推断
- 研究问题
- 高维主成分分析允许一般背景谱时，如何推断领先特征值及其特征子空间，并比较不同总体的共同因子强度？
- 方法与思路
- 作者研究样本协方差和相关矩阵的广义尖峰模型，推导尖峰特征值及特征子空间泛函的极限分布，并构造单样本和双样本推断。
- 材料陈述的贡献
- 摘要称理论允许非单位背景谱，支持主方向基准检验和尖峰强度比较；股票收益应用显示协方差与相关矩阵分析可能结论不同。
- 阅读关注点
- 核对维度与样本量关系、尖峰可分离条件、背景谱限制和子空间统计量定义，以及相关矩阵标准化怎样改变推断对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未列出分布和谱条件，也未提供股票应用细节及有限样本误差。
原文摘要
In high-dimensional principal component analysis, important inferential targets include both leading spikes and the associated principal eigenspaces. Such problems arise naturally in high-dimensional factor models, where leading principal directions are interpreted as dominant loading directions and spike magnitudes reflect the strength of the corresponding common factors. We study inference based on the sample covariance matrix $\bS$ and the sample correlation matrix $\widehat{\bR}$ under generalized spiked models with arbitrary bulk spectrum. We establish almost sure limits and central limit theorems for spiked sample eigenvalues, and derive asymptotic distributions for functionals of sample spiked eigenspaces. Building on this theory, we develop procedures for one-sample inference for benchmark principal directions and for two-sample comparison of leading spike strengths across populations. Even in the covariance setting, our results substantially extend the existing literature by allowing a non-identity bulk structure. A real-data analysis on stock returns further illustrates the practical relevance of the proposed procedures, showing that covariance-based and correlation-based PCA can lead to markedly different conclusions.