Weighted chi-squared tests for partial common principal component subspaces
部分共同主成分子空间的加权卡方检验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：摘要讨论一般多组矩阵的共同主成分子空间，未给出宏观或金融因子模型的依据，主成分术语本身不足以支持该类归属。
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
部分共同主成分子空间的加权卡方检验
- 研究问题
- 如何检验多组协方差矩阵是否具有指定维度的部分共同主成分子空间，并使实际显著性水平更接近名义水平？
- 方法与思路
- 作者构造零假设下秩等于子空间维度的维数矩阵，以其估计矩阵的特征值形成统计量，利用加权卡方渐近分布校准检验。
- 材料陈述的贡献
- 摘要称模拟中该检验的显著性水平比既有方法更接近名义水平，并将程序扩展至多组相关矩阵的部分共同主成分检验。
- 阅读关注点
- 应核对维数矩阵的构造、加权卡方权重的估计和渐近条件，并比较模拟中的样本配置、检验水平与备择下功效。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供误差幅度或功效结果，不能将显著性水平改善解读为全面优于既有方法。
原文摘要
We consider tests of the null hypothesis that g covariance matrices have a partial common principal component subspace of dimension s. Our approach uses a dimensionality matrix which has its rank equal to s when the hypothesis holds. The test can then be based on a statistic computed from the eigenvalues of an estimate of this dimensionality matrix. The asymptotic distribution of this statistic is that of a linear combination of independent one‐degree‐of‐freedom chi‐squared random variables. Simulation results indicate that this test yields significance levels that come closer to the nominal level than do those of a previously proposed method. The procedure is also extended to a test that g correlation matrices have a partial common principal component subspace.