Principal components in linear mixed models with general bulk
一般谱主体下线性混合模型的主成分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：摘要研究混合模型的随机矩阵与谱渐近理论，未明确涉及所列因子模型、面板或其他应用细分。
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
一般谱主体下线性混合模型的主成分
- 研究问题
- 高维多元线性混合模型中，协方差估计量的主要特征值与特征向量如何受到偏差和混叠影响，随机效应总体谱又如何改变这些现象？
- 方法与思路
- 作者采用高维渐近框架与自由概率技术，允许随机效应具有一般总体谱分布，推导主要特征值位置及特征向量投影的一阶极限。
- 材料陈述的贡献
- 摘要称研究将较受限的尖峰模型结果推广到一般谱情形，并建立强渐近自由性与预解算子双线性形式的自由确定性等价近似工具。
- 阅读关注点
- 应核对维数与样本量的渐近关系、随机效应谱和设计矩阵的限制，以及偏差、混叠和特征向量投影在定理中的精确定义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出完整假设、有限样本误差或校正方法，不能据此推断刊本变化。
原文摘要
We study the principal components of covariance estimators in multivariate mixed-effects linear models. We show that, in high dimensions, the principal eigenvalues and eigenvectors may exhibit bias and aliasing effects that are not present in low-dimensional settings. We derive the first-order limits of the principal eigenvalue locations and eigenvector projections in a high-dimensional asymptotic framework, allowing for general population spectral distributions for the random effects and extending previous results from a more restrictive spiked model. Our analysis uses free probability techniques, and we develop two general tools of independent interest—strong asymptotic freeness of GOE and deterministic matrices and a free deterministic equivalent approximation for bilinear forms of resolvents.