Estimation of a covariance matrix with zeros
含零协方差约束的协方差矩阵估计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：摘要研究一般协方差矩阵的零约束估计，未给出因子模型、经济网络或其他所列细分方向的依据。
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…
关注这篇论文的作者
含零协方差约束的协方差矩阵估计
- 研究问题
- 多变量随机向量的某些协方差已被约束为零时，如何计算满足这些约束的协方差估计，并放松多元正态假设？
- 方法与思路
- 作者在多元正态模型下提出迭代条件拟合算法计算约束最大似然估计，再采用经验似然处理不要求正态性的情形。
- 材料陈述的贡献
- 摘要称迭代条件拟合具有收敛保证，并给出非正态下的经验似然估计，随后通过模拟和基因表达案例比较两条路径。
- 阅读关注点
- 应核对零约束如何设定、迭代步骤与收敛保证的具体含义，以及经验似然可行性、矩条件和两种方法的比较标准。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断收敛是否保证全局最优、非正态条件或具体比较表现，也不能推断刊本变化。
原文摘要
We consider estimation of the covariance matrix of a multivariate random vector under the constraint that certain covariances are zero. We first present an algorithm, which we call iterative conditional fitting, for computing the maximum likelihood estimate of the constrained covariance matrix, under the assumption of multivariate normality. In contrast to previous approaches, this algorithm has guaranteed convergence properties. Dropping the assumption of multivariate normality, we show how to estimate the covariance matrix in an empirical likelihood approach. These approaches are then compared via simulation and on an example of gene expression.