A Class of Asymptotic Tests for Principal Component Vectors
主成分向量的一类渐近检验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：摘要研究主成分子空间检验，未涉及宏观或金融因子模型，现有领域细分缺乏直接对应。
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
主成分向量的一类渐近检验
- 研究问题
- 研究如何检验一组给定向量是否位于指定主成分向量张成的子空间，并考察检验对总体分布和散布估计方式的适用范围。
- 方法与思路
- 作者从正态总体的样本协方差矩阵出发构造不变渐近检验，再将结果推广至椭圆总体与仿射不变的散布 M 估计。
- 材料陈述的贡献
- 摘要称，所构造检验具有一致性，并给出局部功效函数；相关结果可推广至更一般的总体分布与散布估计方法。
- 阅读关注点
- 应核对子空间假设的形式、特征值分离等条件是否需要，以及椭圆总体和散布 M 估计下局部功效如何变化。
- 阅读边界
- OpenAlex 摘要未注明稿件版本；具体正则条件、功效表达式与有限样本表现均未说明，不能推断刊本变化。
原文摘要
In this paper, the hypothesis that a set of vectors lie in the subspace spanned by a prescribed subset of the principal component vectors for a normal population is considered. A class of invariant asymptotic tests based on the sample covariance matrix is derived. Tests in this class are shown to be consistent and their local power functions are given. The arguments used in deriving the class of tests are not heavily dependent on the assumption of normality nor on the use of the sample covariance matrix. The results are shown to generalize when the procedures are based on any affine-invariant $M$-estimate of scatter and when the population is elliptical.