Partial common principal component subspaces
部分共同主成分子空间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：摘要讨论多组数据的一般主成分降维，没有宏观或金融因子模型的直接证据。
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
部分共同主成分子空间
- 研究问题
- 多个变量组各自的主要主成分向量共同张成多大维数的子空间，如何据此同时降维并保留组内主要变异？
- 方法与思路
- 作者提出判断共同张成空间维数是否等于任意候选值的一般程序，并通过重复使用该程序确定所需维数。
- 材料陈述的贡献
- 摘要称，方法将已有的共同主成分子空间判定扩展到更一般的维数情形，使各组能够采用共同的降维空间。
- 阅读关注点
- 应核对候选维数的判定准则、逐次使用程序的规则、样本主成分的不确定性，以及保留变异的具体衡量方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断程序的统计条件、误判控制或样本表现；未说明宏观或金融因子应用。
原文摘要
We consider the principal components analysis of g groups of m variables for those situations in which, for each group, the first k principal components account for most of the total variability of observations in that group. If the set of these gk principal component vectors spans a space of dimension r, where r is less than m, then it will be possible simultaneously to reduce the dimensionality, for all groups, from m to r while retaining most of the within-group variability. Methods are already available for determining if r=k, in which case the g groups have a common principal component subspace. In this paper, we develop a general procedure for determining if r=s for arbitrary s. This can then be used repeatedly to determine r when r>k.