[論文レビュー] Asymptotics of Empirical Eigen-structure for Ultra-high Dimensional Spiked Covariance Model

Jianqing Fan, Weichen Wang|arXiv (Cornell University)|Feb 16, 2015

Statistical Methods and Inference参考文献 41被引用数 26

ひとこと要約

本稿は、次元数と特徴的固有値の増大が共に進行する超高次元スプライド共分散モデルにおける固有値および固有ベクトルの漸近的分布を確立する。著者らは、標本サイズ $n$、次元 $p$、および主固有値のスパイクの大きさ $\lambda_j$ を同時に考慮する統一的漸近的枠組みを導入し、バイアス補正推定量を導出し、主成分の直交補空間への縮小しきい値化（S-POET）手法を提案する。この手法により、高次元要因モデルおよびポートフォリオリスク分析における推定精度が向上する。

ABSTRACT

We derive the asymptotic distributions of the spiked eigenvalues and eigenvectors under a generalized and unified asymptotic regime, which takes into account the spike magnitude of leading eigenvalues, sample size, and dimensionality. This new regime allows high dimensionality and diverging eigenvalue spikes and provides new insights into the roles the leading eigenvalues, sample size, and dimensionality play in principal component analysis. The results are proven by a technical device, which swaps the role of rows and columns and converts the high-dimensional problems into low-dimensional ones. Our results are a natural extension of those in Paul (2007) to more general setting with new insights and solve the rates of convergence problems in Shen et al. (2013). They also reveal the biases of the estimation of leading eigenvalues and eigenvectors by using principal component analysis, and lead to a new covariance estimator for the approximate factor model, called shrinkage principal orthogonal complement thresholding (S-POET), that corrects the biases. Our results are successfully applied to outstanding problems in estimation of risks of large portfolios and false discovery proportions for dependent test statistics and are illustrated by simulation studies.

研究の動機と目的

• 超高次元スプライド共分散モデルにおける標本固有値および固有ベクトルの漸近的挙動を理解すること。ここで、次元数と固有値のスパイクが共に発散する。
• 高次元かつ発散的スパイクの枠組み下での主成分分析における収束速度および漸近的バイアスを解明すること。
• 主固有値および固有ベクトルの推定バイアスを是正する新しい共分散推定量、すなわち縮小主成分直交補空間しきい値化（S-POET）を構築すること。
• 理論的結果を実世界の問題、例えばポートフォリオリスク推定および従属する検定統計量における誤り発見率の制御に応用すること。

提案手法

• 標本サイズ $n$、次元 $p$、および主固有値 $\lambda_j$ のスパイクの大きさを同時に考慮する一般化された漸近的枠組みを導入する。
• 高次元固有構造問題を低次元問題に変換するための新規な技術的アプローチ（行と列の入れ替え）を用いる。
• 新しい枠組み下でスプライド固有値および固有ベクトルの漸近的同時分布を導出し、それらのバイアスおよび収束速度を明らかにする。
• スパース化としきい値処理を組み合わせることで、固有値および固有ベクトル推定のバイアスを是正するS-POET推定量を提案する。
• 理論的結果を近似要因モデルに応用し、ポートフォリオリスク推定および誤り発見率制御への応用を示す。
• 高次元ランダム行列理論および集中不等式を用いて、固有値および固有ベクトルの推定誤差を評価する。

実験結果

リサーチクエスチョン

• RQ1 超高次元設定下で、標本固有値および固有ベクトルの漸近的分布は、標本サイズ、次元数、スパイクの大きさの相乗的相互作用にどのように依存するか？
• RQ2 主固有値が次元数とともに増大する場合、主成分推定量の収束速度および漸近的バイアスはそれぞれいかなるものか？
• RQ3 高次元要因モデルにおける主固有値および固有ベクトルの推定バイアスは、どのように是正可能か？
• RQ4 提案されたS-POET推定量は、大規模ポートフォリオにおける共分散推定およびリスク管理の精度をどの程度向上させるか？
• RQ5 理論的枠組みは、従属する検定統計量における誤り発見率の制御に応用可能か？

主な発見

• 発散的固有値と高次元性を同時に許容する統一的枠組み下で、スプライド固有値および固有ベクトルの漸近的分布が導出された。
• 標準的なPCAによる主固有値および固有ベクトルの推定にはバイアスが存在し、そのバイアスは $\lambda_m$、$p$、$T$ の関数として定量化された。
• 提案されたS-POET推定量はこのバイアスを是正し、$\|\hat{\mathbf{B}} - \mathbf{B} \mathbf{H}^\top\|_{\max} = O_P\left(\sqrt{\frac{\log p}{T}}\right)$ を達成し、推定精度が向上した。
• 残差推定誤差は $\max_{i,t} |\hat{u}_{it} - u_{it}| = o_P(1)$ であり、すなわち特異成分の一貫した回復が確認された。
• 理論的結果は、従属下でのポートフォリオリスク推定および誤り発見率の制御に成功して応用された。
• Shenら（2013）が残した収束速度の問題を解決し、高次元スプライドモデルにおける固有構造の完全な漸近的特徴付けを提供した。