[論文レビュー] Asymptotics of empirical eigen-structure for high dimensional sample covariance matrices of general form

Xiucai Ding|arXiv (Cornell University)|Aug 21, 2017

Random Matrices and Applications参考文献 38被引用数 6

ひとこと要約

本論文は、有限のスパイクと連続的バルクを併せ持つ一般の母集団スペクトルをもつ高次元サンプル共分散行列の固有値および固有ベクトルについて、統一的な漸近理論を確立する。一般の条件下で固有値および固有ベクトルの極限法則を導出し、古典的なスパイクモデルと非スパイク設定を統合し、高次元データ解析における統計的推論のための枠組みを提供する。

ABSTRACT

In this paper, we study the local asymptotics of the eigenvalues and eigenvectors for a general class of sample covariance matrices, where the spectrum of the population covariance matrices can have a finite number of spikes and bulk components. Our paper is a unified framework combining the spiked model and covariance matrices without outliers. Examples and statistical applications are considered to illustrate our results.

研究の動機と目的

• 一般の母共分散構造をもつ高次元サンプル共分散行列の固有値および固有ベクトルの統一的漸近枠組みを構築すること。
• 既存のスパイクモデル理論を、母共分散行列に有限のスパイクと連続的バルク成分を併せ持つ場合にまで拡張すること。
• 固有構造が中心的役割を果たす高次元設定における統計的推論の理論的基盤を提供すること。
• 単一の漸近的規範下で、スパイクありおよびスパイクなしの共分散モデルの両方における固有値および固有ベクトルの解析を統合すること。

提案手法

• 次元と標本サイズがともに大きく、その比が正の定数に収束する条件下で、サンプル共分散行列の固有値および固有ベクトルの漸近的挙動を分析する。
• 母共分散行列を、有限個の分離された固有値（スパイク）と連続的バルクスペクトルを有するものとしてモデル化する。
• 特にバルクおよびスパイク周辺の局所的フラクチュエーションに注目し、確率的行列理論の技法を用いて固有値および固有ベクトルの極限法則を導出する。
• バルクおよびスパイク成分の両方を考慮した、固有値および固有ベクトルの同時漸近分布を組み込む。
• データの一般のモーメント条件の下で、固有値および固有ベクトルの偏差の分布収束を確立する。
• 高次元設定における固有値および固有ベクトルに関する漸近的信頼区間および仮説検定の導出を可能にするフレームワークを提供する。

実験結果

リサーチクエスチョン

• RQ1 母共分散行列にスパイクおよび連続的バルクを併せ持つ場合、高次元サンプル共分散行列の固有値および固有ベクトルはどのように漸近的に振る舞うか？
• RQ2 バルクおよび分離されたスパイクが共存する状況における、固有値および固有ベクトルの同時極限分布は何か？
• RQ3 母スペクトルにおけるスパイクの位置および大きさは、固有ベクトルの漸近的挙動にどのように依存するか？
• RQ4 スパイクありおよびスパイクなしの共分散モデルを、高次元漸近的枠組みで統一的に扱うフレームワークを構築可能か？
• RQ5 この漸近理論は、高次元データにおける固有構造に関する統計的推論にどのような意味を持つか？

主な発見

• 本論文は、母共分散行列にスパイクおよびバルク成分を併せ持つ場合でさえも、固有値および固有ベクトルの偏差が同時に漸近的に正規分布に従うことを確立する。
• バルク端縁付近の固有値および孤立スパイクの固有値について、明示的な極限法則を導出し、スパイク固有値が真の値の周囲で確率的フラクチュエーションに収束することを示す。
• スパイクに付随する固有ベクトルは、真の固有空間への確率的射影に収束し、収束速度はスパイクの強度およびスペクトルギャップに依存する。
• 本フレームワークは、スパイクありおよびスパイクなしの両モデルにおける固有構造の漸近的挙動を統一し、単一の理論的基盤を提供する。
• 結果は、高次元データにおける固有値および固有ベクトルに関する漸近的妥当な信頼区間および仮説検定の構築を支援する。