On Estimation of the Noise Variance in High Dimensional Probabilistic Principal Component Analysis
高维概率主成分分析中的噪声方差估计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：摘要研究通用高维概率主成分分析，没有宏观或金融变量背景，不能仅凭主成分和潜在结构归入宏观或金融因子方向。
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…
高维概率主成分分析中的噪声方差估计
- 研究问题
- 当变量维数相对样本量较大时，概率主成分分析的噪声方差极大似然估计为何向下偏误，如何校正并用于模型选择和拟合检验？
- 方法与思路
- 作者借助随机矩阵理论构造偏差校正的噪声方差估计量，研究其渐近分布，并据此设计主成分数量准则和拟合优度统计量。
- 材料陈述的贡献
- 摘要称建立校正估计量的渐近正态性和主成分数量估计的一致性，并通过模拟及真实数据检验表现、推导新的拟合检验渐近结果。
- 阅读关注点
- 阅读时应核对维数与样本量的渐近关系、信号和噪声结构、偏差校正的适用条件，以及选维一致性和拟合检验所需假设。
- 阅读边界
- 仅据所给 Crossref 摘要；具体高维条件、模拟数值和比较范围未提供，作者所述优势不能推广至任意主成分或因子模型。
原文摘要
Summary We develop new statistical theory for probabilistic principal component analysis models in high dimensions. The focus is the estimation of the noise variance, which is an important and unresolved issue when the number of variables is large in comparison with the sample size. We first unveil the reasons for an observed downward bias of the maximum likelihood estimator of the noise variance when the data dimension is high. We then propose a bias-corrected estimator by using random-matrix theory and establish its asymptotic normality. The superiority of the new and bias-corrected estimator over existing alternatives is checked by Monte Carlo experiments with various combinations of (p, n) (the dimension and sample size). Next, we construct a new criterion based on the bias-corrected estimator to determine the number of the principal components, and a consistent estimator is obtained. Its good performance is confirmed by a simulation study and real data analysis. The bias-corrected estimator is also used to derive new asymptotics for the related goodness-of-fit statistic under the high dimensional scheme.