High-Dimensional Linear Models: A Random Matrix Perspective
High-Dimensional Linear Models: A Random Matrix Perspective
复制标题
高维线性模型：随机矩阵视角
DOI：
10.1007/s13171-020-00219-y
复制
发表时间：
2020-10
影响因子：
--
通讯作者：
Lili Wang
中科院分区：
文献类型：
--
作者：
Jamshid Namdari;Debashis Paul;Lili Wang
C.R.Rao教授的《线性统计推断》是一部经典著作，激励了几代统计学家对理论研究的追求。本文探讨了与线性模型相关的一些基本问题，但在观察的维度与样本大小相当的情况下。这一观点在很大程度上受到随机矩阵理论的当代进步的推动，带来了新的见解和结果，即使对于解决相对低维的问题也有帮助。这一概述也带来了重点的基本作用所发挥的作用，大协方差型矩阵的特征值在高维多元统计理论。
Professor C.R.Rao’s Linear Statistical Inference is a classic that has motivated several generations of statisticians in their pursuit of theoretical research. This paper looks into some of the fundamental problems associated with linear models, but in a scenario where the dimensionality of the observations is comparable to the sample size. This perspective, largely driven by contemporary advancements in random matrix theory, brings new insights and results that can be helpful even for solving relatively low-dimensional problems. This overview also brings into focus the fundamental roles played by the eigenvalues of large covariance-type matrices in the theory of highdimensional multivariate statistics.
登录
查看更多内容
中等高维一类线性时间序列样本自协方差矩阵的谱分析
影响因子：
1.5
作者：
Wang Lili;Aue Alex;er;Paul Debashis
通讯作者：
Paul Debashis
DOI：
10.1111/j.1467-985x.2012.01045_3.x
发表时间：
2012-07
影响因子：
2
作者：
Cedric E. Ginestet
通讯作者：
Cedric E. Ginestet
影响因子：
4.5
作者：
Donoho DL;Gavish M;Johnstone IM
通讯作者：
Johnstone IM
DOI：
10.1112/jlms/s1-16.3.183
发表时间：
1941-07
影响因子：
1.2
作者：
P. Hsu
通讯作者：
P. Hsu
影响因子：
2.5
作者：
A. Vogler
通讯作者：
A. Vogler