Robust Estimation of Dispersion Matrices and Principal Components
离散程度矩阵与主成分的稳健估计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：摘要研究通用稳健矩阵与主成分估计，未说明因子模型或其他所列细分领域的具体对象。
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…
离散程度矩阵与主成分的稳健估计
- 研究问题
- 不同稳健方法估计相关矩阵与主成分时表现如何，维度、异常值的不对称性及缺失数据会怎样影响比较？
- 方法与思路
- 作者用蒙特卡洛比较分别进行二元分析的方法与联合处理全部变量的方法，后者包括多元修剪和 M 估计。
- 材料陈述的贡献
- 摘要报告 M 估计和多元修剪在主成分估计中表现良好，同时指出高维不对称异常值下 M 估计可能失效。
- 阅读关注点
- 应核对模拟中的污染机制、维度和近奇异设置，以及缺失数据下逐元素方法更具吸引力的评价依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；模拟设计、误差指标与数值结果未提供，不能推广为普遍优越性，也不能推断刊本变化。
原文摘要
This paper uses Monte Carlo methods to compare the performances of several robust procedures for estimating a correlation matrix and its principal components. The estimators are formed either from separate bivariate analyses or by simultaneous manipulation of all variables by using techniques such as multivariate trimming and M-estimation. The M-estimators stand up exceptionally well. They and the multivariate trimming procedure are especially effective at estimating the principal components, including a near singularity. However, the M-estimators can break down relatively easily when the dimensionality is large and the outliers are asymmetric. With missing data, the element-wise approach becomes more attractive.