√2-estimation for smooth eigenvectors of matrix-valued functions
矩阵值函数平滑特征向量的√2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：摘要明确以多元时间序列的时变协方差与谱密度矩阵为研究背景，直接涉及时间序列方法。
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…
矩阵值函数平滑特征向量的√2估计
- 研究问题
- 多元时间序列中的时变协方差矩阵和谱密度矩阵具有特征向量符号不确定性，如何恢复随参数平滑变化的轨迹？
- 方法与思路
- 作者比较相邻点的特征向量距离，超过√2时翻转下一向量的符号；遇到特征值合并时，再进行向量匹配与符号调整。
- 材料陈述的贡献
- 摘要称，特征值互异时该方法可获得平滑特征向量，并建立估计量的一致性与收敛速率，用模拟和真实数据展示必要性。
- 阅读关注点
- 应核对距离与特征向量的规范化方式、特征值合并附近的匹配规则，以及平滑性、一致性和收敛速率的条件。
- 阅读边界
- 仅依据所给Crossref摘要；未说明特征值合并时的完整算法及正则条件，不能推断该规则适用于任意矩阵值函数。
原文摘要
Summary Modern statistical methods for multivariate time series rely on the eigendecomposition of matrix-valued functions such as time-varying covariance and spectral density matrices. The curse of indeterminacy or misidentification of smooth eigenvector functions has not received much attention. We resolve this important problem and recover smooth trajectories by examining the distance between the eigenvectors of the same matrix-valued function evaluated at two consecutive points. We change the sign of the next eigenvector if its distance with the current one is larger than the square root of 2. In the case of distinct eigenvalues, this simple method delivers smooth eigenvectors. For coalescing eigenvalues, we match the corresponding eigenvectors and apply an additional signing around the coalescing points. We establish consistency and rates of convergence for the proposed smooth eigenvector estimators. Simulation results and applications to real data confirm that our approach is needed to obtain smooth eigenvectors.