Asymptotics of Empirical Eigen-structure for Ultra-high Dimensional Spiked Covariance Model
超高维尖峰协方差模型中样本特征结构的渐近理论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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要研究一般主成分理论，组合风险应用未明确尾部或系统性风险，也未明确金融因子设定，故暂不细分。
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
超高维尖峰协方差模型中样本特征结构的渐近理论
- 研究问题
- 当维度、样本量和主导特征值强度共同变化时，样本尖峰特征值与特征向量具有何种渐近分布，主成分估计偏差如何修正？
- 方法与思路
- 作者采用联合考虑尖峰强度、样本量和维度的渐近框架，通过交换行列角色降低分析维度，并据此构造偏差修正的 S-POET。
- 材料陈述的贡献
- 摘要称，理论刻画主成分特征结构的分布、收敛率与偏差，并导出新的协方差估计量，应用于大型组合风险和依赖检验的假发现比例。
- 阅读关注点
- 应核对不同尖峰强度与维度比例下的结论、特征向量误差度量，以及 S-POET 修正和组合风险、假发现比例应用各自需要的条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供具体分布、速率或模拟数值，应用陈述不能替代实际误差评估。
原文摘要
We derive the asymptotic distributions of the spiked eigenvalues and eigenvectors under a generalized and unified asymptotic regime, which takes into account the spike magnitude of leading eigenvalues, sample size, and dimensionality. This new regime allows high dimensionality and diverging eigenvalue spikes and provides new insights into the roles the leading eigenvalues, sample size, and dimensionality play in principal component analysis. The results are proven by a technical device, which swaps the role of rows and columns and converts the high-dimensional problems into low-dimensional ones. Our results are a natural extension of those in Paul (2007) to more general setting with new insights and solve the rates of convergence problems in Shen et al. (2013). They also reveal the biases of the estimation of leading eigenvalues and eigenvectors by using principal component analysis, and lead to a new covariance estimator for the approximate factor model, called shrinkage principal orthogonal complement thresholding (S-POET), that corrects the biases. Our results are successfully applied to outstanding problems in estimation of risks of large portfolios and false discovery proportions for dependent test statistics and are illustrated by simulation studies.