Elliptical graphical modelling
椭圆分布图模型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：摘要讨论通用统计图模型与厚尾分布，未涉及经济主体网络、金融风险或其他指定应用领域。
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…
椭圆分布图模型
- 研究问题
- 如何把高斯图模型推广至允许厚尾的椭圆分布，并以条件不相关关系构建图结构，同时获得偏相关估计与模型检验？
- 方法与思路
- 作者利用比例仿射等变散布估计量构造偏相关估计和伪偏差检验，研究无约束及可分解图模型下的渐近方差。
- 材料陈述的贡献
- 摘要称，研究给出偏相关估计的渐近方差一般表达式，证明伪偏差统计量的渐近卡方近似，并用模拟展示可行性。
- 阅读关注点
- 应核对条件不相关与条件独立的区别、厚尾下散布估计的定义和条件，以及可分解模型与检验近似的适用边界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。厚尾适用性不等于所有推断均无条件成立；完整条件、模拟结果及刊本变化无法判断。
原文摘要
We propose elliptical graphical models based on conditional uncorrelatedness as a robust generalization of Gaussian graphical models. Letting the population distribution be elliptical instead of normal allows the fitting of data with arbitrarily heavy tails. We study the class of proportionally affine equivariant scatter estimators and show how they can be used to perform elliptical graphical modelling. This leads to a new class of partial correlation estimators and analogues of the classical deviance test. General expressions for the asymptotic variance of partial correlation estimators, unconstrained and under decomposable models, are given, and the asymptotic chi square approximation for the pseudo-deviance test statistic is proved. The feasibility of our approach is demonstrated by a simulation study, using, among others, Tyler’s scatter estimator, which is distribution-free within the elliptical model.