Asymptotic independence of spiked eigenvalues and linear spectral statistics for large sample covariance matrices
大样本协方差矩阵尖峰特征值与线性谱统计量的渐近独立性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：摘要研究一般高维协方差谱理论与检验，未明确因子结构或金融应用，不能据尖峰特征值直接归类。
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…
大样本协方差矩阵尖峰特征值与线性谱统计量的渐近独立性
- 研究问题
- 在维度与样本量同比增长的尖峰协方差模型中，领先尖峰特征值与线性谱统计量是否渐近独立，如何用于检验？
- 方法与思路
- 作者研究两类谱统计量的联合渐近性质，估计总体尖峰特征向量的 L4 范数，并构造两总体协方差相等检验。
- 材料陈述的贡献
- 摘要称证明渐近独立性，在去掉总体协方差块对角假设后建立尖峰特征值中心极限定理，并提出新检验。
- 阅读关注点
- 应核对尖峰与维数比例条件、中心极限定理的其余假设，以及新检验的适用模型和模拟比较设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；数值功效优势仅为摘要所述比较结果，具体条件与数值未提供，不能普遍化。
原文摘要
We consider general high-dimensional spiked sample covariance models and show that their leading sample spiked eigenvalues and their linear spectral statistics are asymptotically independent when the sample size and dimension are proportional to each other. As a byproduct, we also establish the central limit theorem of the leading sample spiked eigenvalues by removing the block diagonal assumption on the population covariance matrix, which is commonly needed in the literature. Moreover, we propose consistent estimators of the L4 norm of the spiked population eigenvectors. Based on these results, we develop a new statistic to test the equality of two spiked population covariance matrices. Numerical studies show that the new test procedure is more powerful than some existing methods.