Inference for heteroskedastic PCA with missing data
缺失数据下异方差主成分分析的统计推断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：摘要研究通用高维 PCA 与尖峰协方差推断，未明确宏观或金融因子模型，不能仅凭主成分方法归入因子细分。
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
缺失数据下异方差主成分分析的统计推断
- 研究问题
- 在高维、缺失观测与异方差噪声并存时，如何为主成分子空间构造置信区域，并为尖峰协方差矩阵元素构造区间？
- 方法与思路
- 作者基于 HeteroPCA 估计量建立非渐近分布保证，再据此构造主子空间置信区域和协方差矩阵的逐元素置信区间。
- 材料陈述的贡献
- 摘要称推断程序完全由数据驱动，能适应异方差随机噪声且无需预先知道噪声水平，并提供高维主成分的不确定性量化。
- 阅读关注点
- 应核对缺失机制、信号与噪声条件、非渐近近似误差，以及子空间区域和逐元素区间各自的覆盖保证与校准方法。
- 阅读边界
- 依据所给 OpenAlex 摘要版本；摘要未说明缺失机制、信号强度和覆盖误差条件，不能据此声称适用于任意缺失或噪声分布。
原文摘要
This paper studies how to construct confidence regions for principal component analysis (PCA) in high dimension, a problem that has been vastly underexplored. While computing measures of uncertainty for nonlinear/nonconvex estimators is in general difficult in high dimension, the challenge is further compounded by the prevalent presence of missing data and heteroskedastic noise. We propose a novel approach to performing valid inference on the principal subspace, on the basis of an estimator called HeteroPCA (Ann. Statist. 50 (2022b) 53–80). We develop nonasymptotic distributional guarantees for HeteroPCA, and demonstrate how these can be invoked to compute both confidence regions for the principal subspace and entrywise confidence intervals for the spiked covariance matrix. Our inference procedures are fully data-driven and adaptive to heteroskedastic random noise, without requiring prior knowledge about the noise levels.