Уважаемые коллеги, доброго времени суток! Представляем вам сингапурское научное издание Random Matrices: Theory and Application. Журнал имеет третий квартиль, издаётся в World Scientific Publishing Co. Pte Ltd., его SJR за 2021 г. равен 0,472, импакт-фактор - 1,209, печатный ISSN - 2010-3263, электронный - 2010-3271, предметные области - Дискретная математика и комбинаторика, Статистика и теория вероятности, Алгебра и теория чисел. Вот так выглядит обложка:
Здесь три редактора - Чжидонг Бай, контактные данные - baizd @n en u.edu.cn, Аруп Бозе - bosearu@gmail.com
и Ванг Чжоу - stazw@nus.edu.sg.
Журнал имеет долгую и богатую историю и особенно в последние годы продемонстрировал важное применение во многих различных областях математики, естественных наук и инженерии. Сфера применения RMT и его приложений включает области классического анализа, теории вероятностей, статистического анализа больших данных, а также связи с теорией графов, теорией чисел, теорией представлений и многими областями математической физики. Приложения теории случайных матриц продолжают появляться и в этом журнале приветствуются новые статьи. Некоторые примеры - теория ортогональных полиномов, свободная вероятность, интегрируемые системы, модели роста, беспроводная связь, обработка сигналов, численные вычисления, сложные сети, экономика, статистическая механика и квантовая теория. Специальные выпуски, посвященные одной теме, представляющей текущий интерес, также будут рассмотрены и опубликованы в этом журнале.
Адрес издания - https://www.worldscientific.com/worldscinet/rmta
Пример статьи, название - Nonlinear interaction detection through partial dimension reduction with missing response data. Заголовок (Abstract) - In this paper, we are concerned with nonlinear interaction detection based on partial dimension reduction with missing response data. The covariates are grouped through linear combinations in a general class of semi-parametric models to detect their joint interaction effects. The joint interaction effects are estimated by a profile least squares approach with the help of the inverse probability weighted technique. The asymptotic properties of the resulting estimate for the central partial mean subspace are established. In addition, a Wald type test is proposed to detect the interactions between the covariates. A BIC-type criterion is applied to determine the structural dimension of the central partial mean subspace and its consistency is also obtained. Simulations are conducted to examine the finite sample performances of our proposed method and a real data set is analyzed for illustration. Keywords: Dimension determination; high dimensionality; interaction detection; missing data; sufficient dimension reduction
