Influence in Principal Components Analysis
主成分分析中的影响诊断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：摘要讨论一般主成分分析的影响诊断，未明确涉及宏观或金融因子模型，现有分类证据不足。
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
主成分分析中的影响诊断
- 研究问题
- 如何为主成分分析建立观测影响诊断，识别对分析结果影响较大的样本，并理解其与线性回归诊断的差异？
- 方法与思路
- 作者利用实对称矩阵的扰动理论，统一推导主成分分析的理论影响函数及其样本版本，用于影响观测诊断。
- 材料陈述的贡献
- 摘要称，论文将回归中已有的影响函数诊断思路扩展到主成分分析，并从理论上解释两类诊断的若干差异。
- 阅读关注点
- 应核对影响函数针对哪些主成分对象、矩阵扰动推导所需条件，以及样本诊断量如何识别并解释影响观测。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；特征值条件、诊断阈值及实际表现未说明，不能推断刊本变化。
原文摘要
In linear regression, the theoretical influence function and the various sample versions of it have an established place as diagnostic tools. These same functions are developed here to provide methods for the detection of influential observations in principal components analysis. The perturbation theory of real symmetric matrices unifies this development. Some interesting points of contrast with the regression case are noted and explained theoretically.