Model Averaging and Dimension Selection for the Singular Value Decomposition
奇异值分解的模型平均与维度选择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：摘要研究通用低秩矩阵的贝叶斯估计与维度选择，未明确宏观或金融因子应用，不能仅凭奇异值分解归入因子领域。
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
奇异值分解的模型平均与维度选择
- 研究问题
- 对于观测矩阵由低秩均值矩阵和误差构成的情形，如何处理秩的不确定性，并改善启发式选秩后最小二乘估计的高方差？
- 方法与思路
- 作者为均值矩阵的秩及奇异值分解各组成部分设置先验，进行后验估计，提出基于模型的选秩和估计方案。
- 材料陈述的贡献
- 摘要称该方案可提供更准确的推断，并可扩展到缺失数据和广义线性模型；具体模型平均步骤及比较幅度未说明。
- 阅读关注点
- 应核对误差分布、秩与分解成分的先验、模型平均如何处理秩不确定性，以及缺失数据和广义线性模型扩展的细节。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；推断改进的评价标准、适用条件和扩展结果未说明。
原文摘要
Many multivariate data-analysis techniques for an m × n matrix Y are related to the model Y = M + E, where Y is an m × n matrix of full rank and M is an unobserved mean matrix of rank K < (m ∧ n). Typically the rank of M is estimated in a heuristic way and then the least-squares estimate of M is obtained via the singular value decomposition of Y, yielding an estimate that can have a very high variance. In this article we suggest a model-based alternative to the preceding approach by providing prior distributions and posterior estimation for the rank of M and the components of its singular value decomposition. In addition to providing more accurate inference, such an approach has the advantage of being extendable to more general data-analysis situations, such as inference in the presence of missing data and estimation in a generalized linear modeling framework.