Sparsistency and rates of convergence in large covariance matrix estimation
大规模协方差矩阵估计的稀疏一致性与收敛速度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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用高维矩阵估计，未指定金融波动率、因子模型或其他所列领域的应用。
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…
关注这篇论文的作者
大规模协方差矩阵估计的稀疏一致性与收敛速度
- 研究问题
- 在高维协方差、精度矩阵或乔列斯分解具有稀疏结构时，惩罚似然如何恢复零元素，并达到相应估计收敛速度？
- 方法与思路
- 作者以一般惩罚函数统一研究三类矩阵稀疏估计，分析非凸惩罚下的稀疏一致性、收敛速度和调参条件。
- 材料陈述的贡献
- 摘要给出 Frobenius 范数下的收敛阶，并称 L1 惩罚需要较严格的非零元素数量限制，而 SCAD 和硬阈值不受同一限制。
- 阅读关注点
- 应核对收敛阶中非零元素的计数方式、矩阵与特征值条件，以及不同惩罚的调参要求和稀疏一致性定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列完整条件，非凸惩罚免于某项限制不意味着没有其他约束。
原文摘要
This paper studies the sparsistency and rates of convergence for estimating sparse covariance and precision matrices based on penalized likelihood with nonconvex penalty functions. Here, sparsistency refers to the property that all parameters that are zero are actually estimated as zero with probability tending to one. Depending on the case of applications, sparsity priori may occur on the covariance matrix, its inverse or its Cholesky decomposition. We study these three sparsity exploration problems under a unified framework with a general penalty function. We show that the rates of convergence for these problems under the Frobenius norm are of order $(s_n\log p_n/n)^{1/2}$, where $s_n$ is the number of nonzero elements, $p_n$ is the size of the covariance matrix and $n$ is the sample size. This explicitly spells out the contribution of high-dimensionality is merely of a logarithmic factor. The conditions on the rate with which the tuning parameter $λ_n$ goes to 0 have been made explicit and compared under different penalties. As a result, for the $L_1$-penalty, to guarantee the sparsistency and optimal rate of convergence, the number of nonzero elements should be small: $s_n'=O(p_n)$ at most, among $O(p_n^2)$ parameters, for estimating sparse covariance or correlation matrix, sparse precision or inverse correlation matrix or sparse Cholesky factor, where $s_n'$ is the number of the nonzero elements on the off-diagonal entries. On the other hand, using the SCAD or hard-thresholding penalty functions, there is no such a restriction.