Identifying the source of spikes: factor or mixture?
识别谱尖峰的来源：因子还是混合？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：摘要讨论通用高维潜变量结构检验，虽提及因子，但未提供宏观或金融因子模型的明确依据。
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…
识别谱尖峰的来源：因子还是混合？
- 研究问题
- 高维线性潜变量模型的数据矩阵出现尖峰奇异值时，如何判断潜变量是连续型还是类别型，从而区分因子与混合结构？
- 方法与思路
- 作者分析大尖峰奇异值对应奇异向量的经验测度渐近行为，并据此构造基于特征向量分位数差异的检验统计量。
- 材料陈述的贡献
- 摘要称，研究建立新检验在原假设下的理论性质，并通过模拟和真实数据分析展示区分潜在结构类型的实用性。
- 阅读关注点
- 应核对原假设与备择的精确定义、尖峰强度及维度条件、分位数选择与临界值校准，以及何种混合结构可被有效区分。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明检验功效、备择下性质或具体应用，不能推断所有连续与类别潜变量结构都可识别。
原文摘要
Abstract We consider the problem of identifying the pattern of latent variables in high-dimensional linear latent variable models, which can also be interpreted as determining the source of spiked singular values in the data matrix. Specifically, we test whether the latent variables are continuous or categorical, a distinction that is crucial for data interpretation, but challenging in the high-dimensional regime. To address this inference problem, we analyse the asymptotic behaviour of empirical measures associated with singular vectors corresponding to large spiked singular values. Leveraging these insights, we propose novel test statistics based on eigenvector quantile differences and establish their theoretical performance under the null hypothesis. Simulation studies and real-data analyses demonstrate the effectiveness and practical utility of our method.