High-Dimensional Canonical Correlation Analysis
高维典型相关分析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：摘要主要讨论通用高维 CCA 向量估计理论，股票和草地仅作为应用，未明确涉及资产定价、金融因子或其他给定细分。
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
高维典型相关分析
- 研究问题
- 两组数据维度共同按比例增长时，经典典型相关分析能否一致估计定义典型变量的向量，又应如何评估估计精度？
- 方法与思路
- 作者研究高维比例增长下经典 CCA 向量估计的渐近行为，刻画估计误差大小，并以股票分类和草地数据展示应用。
- 材料陈述的贡献
- 摘要称，经典 CCA 在所研究的高维情形下无法一致估计相关向量；推导的误差大小可用于实践中评估估计精度。
- 阅读关注点
- 应核对样本量与各维度的渐近比例、总体模型及信号条件，并区分向量估计不一致与更一般的统计识别问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明完整高维设定，不能把经典程序的局限推广为所有 CCA 方法均不可能。
原文摘要
This paper studies high-dimensional canonical correlation analysis (CCA) with an emphasis on the vectors that define canonical variables. The paper shows that when two dimensions of data grow to infinity jointly and proportionally, the classical CCA procedure for estimating those vectors fails to deliver a consistent estimate. This provides the first result on the impossibility of identification of canonical variables in the CCA procedure when all dimensions are large. As a countermeasure, the paper derives the magnitude of the estimation error, which can be used in practice to assess the precision of CCA estimates. Applications of the results to cyclical vs. non-cyclical stocks and to a limestone grassland data set are provided.