Inference on multiple correlation coefficients with moderately high dimensional data
中等高维数据中复相关系数的统计推断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：摘要讨论一般变量间线性关联的高维推断，未明确涉及宏观因子、金融因子或其他所列领域。
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…
中等高维数据中复相关系数的统计推断
- 研究问题
- 当协变量维度相对样本量较高时，如何处理复相关系数不可忽略的向上偏差，并对总体线性关联强度构造可靠区间？
- 方法与思路
- 作者在独立成分模型下推导复相关系数平方的渐近分布近似，通过一个简单校正因子构造总体复相关系数的置信区间。
- 材料陈述的贡献
- 摘要称，该近似支持在维度与样本量之比接近一、变量非高斯时构造可靠置信区间，针对中等高维场景的偏差问题提供方法。
- 阅读关注点
- 应核对独立成分模型的限制、校正因子的估计方式、高维渐近条件，以及非高斯情形下区间覆盖率的验证范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；矩条件、维度限制和覆盖率数值未说明，不能推断任意高维数据均适用。
原文摘要
When the multiple correlation coefficient is used to measure how strongly a given variable can be linearly associated with a set of covariates, it suffers from an upward bias that cannot be ignored in the presence of a moderately high dimensional covariate. Under an independent component model, we derive an asymptotic approximation to the distribution of the squared multiple correlation coefficient that depends on a simple correction factor. We show that this approximation enables us to construct reliable confidence intervals on the population coefficient even when the ratio of the dimension to the sample size is close to unity and the variables are non-Gaussian.