Generalized linear spectral statistics of high-dimensional sample covariance matrices and its applications
高维样本协方差矩阵的广义线性谱统计及其应用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：摘要属于高维协方差与谱统计理论，未提供宏观因子或金融应用等细分方向的直接证据。
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…
高维样本协方差矩阵的广义线性谱统计及其应用
- 研究问题
- 论文研究如何结合辅助矩阵与检验函数刻画高维样本协方差矩阵的谱特征，并将其用于总体尖峰模型的特征空间检验。
- 方法与思路
- 作者提出广义线性谱统计，在维度与样本量可比的情形下研究联合渐近正态性，并构造基于这些统计量的函数投影检验。
- 材料陈述的贡献
- 摘要称建立联合渐近理论及与辅助矩阵秩相关的收敛结果，并展示尖峰大小方面的普适现象与检验的数值表现。
- 阅读关注点
- 应核对统计量的原始数学定义、辅助矩阵及总体分布条件、秩如何进入收敛尺度，以及特征空间检验的适用范围。
- 阅读边界
- 所给摘要的统计量与收敛尺度符号排版不清，需查原 PDF，不能据此重构公式；具体条件和数值优势也未说明。
原文摘要
In this paper, we introduce the Generalized Linear Spectral Statistics (GLSS) of a high-dimensional sample covariance matrix Sn, denoted as trf(Sn)Bn, which effectively captures distinct spectral properties of Sn by incorporating an ancillary matrix Bn and a test function f. The joint asymptotic normality of GLSS associated with different test functions is established under mild assumptions on Bn and the underlying distribution, when the dimension n and sample size N are comparable. The convergence rate of GLSS is determined by N/rank(B n). Subsequently, we propose a novel functional projection approach based on GLSS for hypothesis testing on eigenspaces of “population-spiked” covariance matrices, showcasing a universality phenomenon in the magnitude of the spikes. The theoretical accuracy of our results established for GLSS and the advantages of the newly suggested testing procedure are demonstrated through various numerical studies.