On Consistency and Sparsity for Principal Components Analysis in High Dimensions
高维主成分分析的一致性与稀疏性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：摘要讨论通用高维 PCA 理论，未明确建立经济或金融因子模型，领域细分证据不足。
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
高维主成分分析的一致性与稀疏性
- 研究问题
- 当变量数与样本量相当或远大于样本量时，标准主成分估计何时一致，利用信号稀疏表示预先筛选坐标能否恢复一致性？
- 方法与思路
- 作者建立简单渐近模型分析首个主成分向量，再提出按样本方差选择坐标子集的算法，并在选定子集上进行主成分分析。
- 材料陈述的贡献
- 摘要称，在其模型中标准首主成分估计一致当且仅当变量数与样本量之比趋于零；适当筛选后，即使变量数远大于样本量仍可恢复一致性。
- 阅读关注点
- 阅读时应核对渐近模型的信号与噪声设定、稀疏表示所需条件、方差筛选规则，以及一致性针对的对象和适用范围。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未列出完整模型与筛选条件，其充要结论不能直接推广至任意高维协方差结构。
原文摘要
Principal components analysis (PCA) is a classic method for the reduction of dimensionality of data in the form of n observations (or cases) of a vector with p variables. Contemporary datasets often have p comparable with or even much larger than n. Our main assertions, in such settings, are (a) that some initial reduction in dimensionality is desirable before applying any PCA-type search for principal modes, and (b) the initial reduction in dimensionality is best achieved by working in a basis in which the signals have a sparse representation. We describe a simple asymptotic model in which the estimate of the leading principal component vector via standard PCA is consistent if and only if p(n)/n→0. We provide a simple algorithm for selecting a subset of coordinates with largest sample variances, and show that if PCA is done on the selected subset, then consistency is recovered, even if p(n) ⪢ n.