The high-dimensional asymptotics of principal component regression
主成分回归的高维渐近性质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：摘要研究一般高维主成分回归，未明确涉及宏观因子或金融因子，故不凭主成分术语分类。
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
主成分回归的高维渐近性质
- 研究问题
- 当样本量与维度成比例时，主成分回归的估计和预测风险如何取决于总体谱、信号方向及所选主成分数量？
- 方法与思路
- 作者在高维比例渐近框架下，利用随机矩阵理论中的多重预解式迹及特征向量重叠度量，推导风险的极限公式。
- 材料陈述的贡献
- 摘要称，给出了估计与预测风险的精确极限公式，并通过尖峰协方差等案例说明样本主成分可能无法充分捕捉潜在结构。
- 阅读关注点
- 应核对比例渐近与协方差谱的具体条件、信号和总体主成分的对齐设定，以及风险公式对主成分选择的启示。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；具体极限公式、正则条件和案例数值未提供，不能推断刊本变化。
原文摘要
We study principal components regression (PCR) in an asymptotic high-dimensional regression setting, where the number of data points is proportional to the dimension. We derive exact limiting formulas for the estimation and prediction risks, which depend in a complicated manner on the eigenvalues of the population covariance, the alignment between the population PCs and the true signal, and the number of selected PCs. A key challenge in the high-dimensional setting stems from the fact that the sample covariance is an inconsistent estimate of its population counterpart, so that sample PCs may fail to fully capture potential latent low-dimensional structure in the data. We demonstrate this point through several case studies, including that of a spiked covariance model. To calculate the asymptotic prediction risk, we leverage tools from random matrix theory which to our knowledge have not seen much use to date in the statistics literature: multi-resolvent traces and their associated eigenvector overlap measures.