Elliptical Regularized Hotelling Testing for High Dimensional Data
高维数据的椭圆正则化Hotelling检验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：摘要聚焦高维椭圆分布下的单样本位置检验与渐近理论，属于高维统计推断方法，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等具体应用方向，故不选择任何细分领域。
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…
关注这篇论文的作者
高维数据的椭圆正则化Hotelling检验
- 研究问题
- 研究问题：在重尾且存在普遍截面相关的高维数据中，如何对单样本位置参数进行检验。摘要称考虑椭圆对称分布下的高维位置参数单样本检验问题。
- 方法与思路
- 方法思路：作者提出椭圆正则化Hotelling检验结合Cauchy组合（ERHT-CC），基于样本空间中位数及以该中位数为中心的空间符号协方差矩阵；推导零假设下的渐近正态性、中心与方差的相合估计以及显式局部功效函数；由于功效最优岭参数依赖未知备择，采用Cauchy规则在确定性网格上聚合固定岭的p值。
- 材料陈述的贡献
- 摘要所述贡献：建立有限网格联合高斯极限，论证无需估计跨岭相关性的解析组合p值，并刻画其局部功效；模拟研究与实证分析显示ERHT-CC在重尾与普遍相关下具有较好的有限样本表现。
- 阅读关注点
- 阅读时应核对：椭圆对称与重尾假设的具体形式、空间中位数与空间符号协方差矩阵的构造细节、零渐近正态性与方差相合估计的证明条件、有限网格联合高斯极限所需的正则条件、Cauchy组合p值解析形式的适用前提，以及模拟与实证设计能否支持摘要所述表现。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断识别假设是否合理、定理条件是否可验证、模拟与实证的具体设定及数值结果，也无法评估相对已有方法的实际优势。该文为arXiv预印本，未经同行评审或期刊接收验证，版本限制需注意。
原文摘要
We consider one-sample testing of a high-dimensional location parameter under elliptically symmetric distributions with heavy tails and pervasive cross-sectional dependence. We propose an elliptical regularized Hotelling test with Cauchy combination (ERHT--CC), based on the sample spatial median and the spatial-sign covariance matrix centered at that median. We derive its null asymptotic normality, consistent estimators of the centering and variance, and an explicit local power function. Since the power-optimal ridge parameter depends on the unknown alternative, we aggregate fixed-ridge $p$-values over a deterministic grid using the Cauchy rule. We establish a finite-grid joint Gaussian limit, justify the analytic combined $p$-value without estimating cross-ridge correlations, and characterize its local power. Simulation studies and an empirical analysis demonstrate the favorable finite-sample performance of ERHT--CC under heavy tails and pervasive dependence.