PCA consistency in high dimension, low sample size context
高维小样本情形下主成分分析的一致性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：摘要研究通用主成分渐近理论，未明确建立宏观或金融因子模型。
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
高维小样本情形下主成分分析的一致性
- 研究问题
- 样本量固定而维度不断增长时，样本主成分方向何时一致、仅具有子空间一致性，或出现强不一致？
- 方法与思路
- 作者采用高维小样本渐近框架，将总体协方差特征值的相对大小与方向估计行为联系起来，并研究数据的几何表示。
- 材料陈述的贡献
- 摘要称，文章给出一致、子空间一致及强不一致的广泛充分条件，并以主定理汇总可能组合及较一般的几何表示条件。
- 阅读关注点
- 应核对特征值增长要求、各类一致性的定义，以及混合条件和协方差球形性度量分别如何支持几何表示与主定理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出特征值阈值和完整条件，不能外推至样本量与维度同时增长的情形。
原文摘要
Principal Component Analysis (PCA) is an important tool of dimension reduction especially when the dimension (or the number of variables) is very high. Asymptotic studies where the sample size is fixed, and the dimension grows [i.e., High Dimension, Low Sample Size (HDLSS)] are becoming increasingly relevant. We investigate the asymptotic behavior of the Principal Component (PC) directions. HDLSS asymptotics are used to study consistency, strong inconsistency and subspace consistency. We show that if the first few eigenvalues of a population covariance matrix are large enough compared to the others, then the corresponding estimated PC directions are consistent or converge to the appropriate subspace (subspace consistency) and most other PC directions are strongly inconsistent. Broad sets of sufficient conditions for each of these cases are specified and the main theorem gives a catalogue of possible combinations. In preparation for these results, we show that the geometric representation of HDLSS data holds under general conditions, which includes a ρ-mixing condition and a broad range of sphericity measures of the covariance matrix.