摘要
主成分分析(PCA)可能是用于恢复低阶数据结构的最广泛的统计工具之一。在高维设置中,样本协方差的主导特征向量可以近似与真实特征向量正交。然后通常假设稀疏结构和低秩结构。最近,在各种有趣的设置下建立了稀疏PCA的极小极大估计率。另一方面,贝叶斯方法在高维估计中越来越流行,但很少有工作将频率特性与贝叶斯算法联系起来用于高维数据分析。本文提出了稀疏PCA问题的先验知识,并分析了其理论性质。先验适应稀疏性和秩。证明了后验分布在最优极小极大率下与真值相一致。此外,还讨论了一类情形下的计算效率策略。
引用
下载引文
赵高。
哈里森·H·周。
“稀疏PCA的最佳后收缩率。”
安。统计师。
43
(2)
785-818中,
2015年4月。
https://doi.org/10.1214/14-AOS1268
问询处
发布日期:2015年4月
首次在欧几里德项目中提供:2015年3月23日
数字对象标识符:10.1214/14-AOS1268
学科:
主要用户:62G05型,62H25个
关键词:贝叶斯估计,后部收缩,主成分分析
版权所有©2015数学统计研究所