Adaptive estimation of the rank of the coefficient matrix in high-dimensional multivariate response regression models
高维多响应回归中系数矩阵秩的自适应估计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：摘要研究一般高维多响应回归的秩选择，未明确涉及因子模型或其他所列经济计量方向。
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
高维多响应回归中系数矩阵秩的自适应估计
- 研究问题
- 在多响应回归中，如何选择系数矩阵的未知低秩，尤其在响应和协变量维数远快于样本量增长时，仍可靠地恢复真实秩？
- 方法与思路
- 作者提出不要求估计未知噪声方差、也不依赖精细调参的新准则，并构建适应信噪比的迭代数据驱动程序，辅以有限样本分析和模拟。
- 材料陈述的贡献
- 摘要称，程序在若干步内以高概率恢复真实秩，迭代估计单调增加且不超过真实秩；所做模拟中较指定既有程序更稳定、表现更好。
- 阅读关注点
- 应核对噪声与设计矩阵条件、最小信号要求、高概率界及停止规则，并检查比较程序的调参方式和模拟覆盖的情形。
- 阅读边界
- 仅依据稿件版本未注明的 OpenAlex 摘要；有限样本结论仍有未列出的条件，模拟中的优势不能外推至任意数据与竞争方法。
原文摘要
We consider the multivariate response regression problem with a regression coefficient matrix of low, unknown rank. In this setting, we analyze a new criterion for selecting the optimal reduced rank. This criterion differs notably from the one proposed in Bunea, She and Wegkamp (Ann. Statist. 39 (2011) 1282–1309) in that it does not require estimation of the unknown variance of the noise, nor does it depend on a delicate choice of a tuning parameter. We develop an iterative, fully data-driven procedure, that adapts to the optimal signal-to-noise ratio. This procedure finds the true rank in a few steps with overwhelming probability. At each step, our estimate increases, while at the same time it does not exceed the true rank. Our finite sample results hold for any sample size and any dimension, even when the number of responses and of covariates grow much faster than the number of observations. We perform an extensive simulation study that confirms our theoretical findings. The new method performs better and is more stable than the procedure of Bunea, She and Wegkamp (Ann. Statist. 39 (2011) 1282–1309) in both low- and high-dimensional settings.