Core shrinkage covariance estimation for matrix-variate data
矩阵值数据的核心收缩协方差估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般矩阵值数据的协方差结构，未出现金融因子、面板或其他所列细分领域的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
矩阵值数据的核心收缩协方差估计
- 研究问题
- 矩阵值数据的协方差偏离可分离结构时，如何保留结构的简约性和可解释性，同时描述更一般的依赖模式？
- 方法与思路
- 作者将协方差分解为可分离部分和互补的核心协方差，再通过收缩样本协方差的核心部分构造估计量。
- 材料陈述的贡献
- 摘要称，新分解能够完整描述不可分离协方差，并据此提出可适应总体协方差可分离程度的收缩估计方法。
- 阅读关注点
- 应核对分解的定义与唯一性、核心收缩强度的选择，以及适应可分离程度的含义和估计误差评价标准。
- 阅读边界
- 所给 Crossref 摘要未说明收缩规则、风险保证或数值比较；不能据此断言其普遍优于其他估计，也不推断版本变化。
原文摘要
Abstract A separable covariance model can describe the among-row and among-column correlations of a random matrix and permits likelihood-based inference with a very small sample size. However, if the assumption of separability is not met, data analysis with a separable model may misrepresent important dependence patterns in the data. As a compromise between separable and unstructured covariance estimation, we decompose a covariance matrix into a separable component and a complementary ‘core’ covariance matrix. This decomposition defines a new covariance matrix decomposition that makes use of the parsimony and interpretability of a separable covariance model, yet fully describes covariance matrices that are non-separable. This decomposition motivates a new type of shrinkage estimator, obtained by appropriately shrinking the core of the sample covariance matrix, that adapts to the degree of separability of the population covariance matrix.