Optimal rates of convergence for covariance matrix estimation
协方差矩阵估计的最优收敛速度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。
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：摘要属于一般高维协方差估计理论，未给出金融因子、波动率或其他经济金融模型依据，故保留空分类。
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…
协方差矩阵估计的最优收敛速度
- 研究问题
- 在估计大型协方差矩阵时，算子范数与Frobenius范数下的最优收敛速度是什么，两种损失是否需要不同估计程序？
- 方法与思路
- 作者构造一类渐消估计量并分析其风险以获得极小极大上界，同时推导下界，建立两种矩阵范数下的最优速度。
- 材料陈述的贡献
- 摘要称，两种范数下的最优估计程序不同；算子范数下的矩阵估计因此具有区别于向量估计的理论特征。
- 阅读关注点
- 应核对协方差矩阵的参数类、维度与样本量关系，以及渐消形式、上下界匹配范围和两种损失下的调节选择。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；参数类和具体收敛速度未说明，不能声称对任意协方差矩阵均达到同样最优性。
原文摘要
Covariance matrix plays a central role in multivariate statistical analysis. Significant advances have been made recently on developing both theory and methodology for estimating large covariance matrices. However, a minimax theory has yet been developed. In this paper we establish the optimal rates of convergence for estimating the covariance matrix under both the operator norm and Frobenius norm. It is shown that optimal procedures under the two norms are different and consequently matrix estimation under the operator norm is fundamentally different from vector estimation. The minimax upper bound is obtained by constructing a special class of tapering estimators and by studying their risk properties. A key step in obtaining the optimal rate of convergence is the derivation of the minimax lower bound. The technical analysis requires new ideas that are quite different from those used in the more conventional function/sequence estimation problems.