Estimating the number of significant components in high-dimensional principal component analysis
高维主成分分析中显著成分数量的估计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：摘要明确将一致性理论扩展到部分时间序列数据，但未说明宏观或金融因子模型应用。
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
高维主成分分析中显著成分数量的估计
- 研究问题
- 当变量维度与样本量同时增长，且总体特征值主体存在异质性或数据具有时间依赖时，如何一致估计高维主成分中的显著成分数？
- 方法与思路
- 作者结合解释方差比例与非尖峰样本特征值的刚性构造惩罚选择方法，研究独立数据及部分时间序列数据下的渐近一致性。
- 材料陈述的贡献
- 摘要称，该估计量在独立数据下允许比部分既有准则更弱的条件，包括总体特征值主体的异质性，并覆盖某些时间序列情形。
- 阅读关注点
- 应核对显著成分与尖峰的定义、惩罚项的设定、谱分离要求，以及“部分时间序列”具体涵盖何种依赖结构和维度增长范围。
- 阅读边界
- 仅据所给 Crossref 摘要；具体惩罚形式、谱条件和时间依赖限制未说明，不能认定该方法对所有高维主成分问题均优于 AIC 或 BIC。
原文摘要
Abstract We consider the problem of estimating the number of significant components in high-dimensional principal component analysis. We propose a new penalized approach using the explained variance ratio and the rigidity of the nonspiked sample eigenvalues of sample covariance matrices of $ p $ variables. Compared with methods in the existing literature, the consistency of the proposed estimator holds, not only for independent data, but also for some times series data when the dimension $ p $ and the sample size $ n $ both tend to infinity. Even for independent data our estimator works under weaker conditions than existing approaches such as the aic and bic, including allowing heterogeneity in the bulk of the population eigenvalues. Simulation studies are conducted to illustrate the performance of the proposed estimator.