Bayesian estimation of cluster covariance matrices of unknown form
未知聚类结构协方差矩阵的贝叶斯估计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：摘要明确将大型向量自回归列为方法应用，因此选择 VAR 方向；线性因子模型的应用领域未说明，不据此追加宏观或金融因子分类。
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…
关注这篇论文的作者
未知聚类结构协方差矩阵的贝叶斯估计
- 研究问题
- 在高维协方差估计中，若聚类数量及横截面单位的归属均未知，如何由数据学习聚类结构并反映这种结构的不确定性？
- 方法与思路
- 作者对单位的聚类划分设定随机分区先验，在对角块及非对角块内分别合并相同协方差参数，并通过后验抽样平均不同聚类矩阵。
- 材料陈述的贡献
- 摘要提出同时估计聚类数量和成员归属的灵活贝叶斯模型，以块内参数共享减少维度，并在线性因子模型及大型 VAR 中示范。
- 阅读关注点
- 应核对随机分区先验、协方差正定性的保证、后验采样算法和计算成本，以及因子模型与大型 VAR 中的具体嵌入方式。
- 阅读边界
- 仅据所给出版社摘要；先验敏感性、后验计算表现及适用维度未说明，不能据此认定优于其他协方差估计方法或推断版本变化。
原文摘要
We develop a flexible Bayesian model for cluster covariance matrices in large dimensions where the number of clusters and the assignment of cross-sectional units to a cluster are a-priori unknown and estimated from the data. In a cluster covariance matrix, the variances and covariances are equal within each diagonal block, while the covariances are equal in each off-diagonal block. This reduces the number of parameters by pooling those parameters together that are in the same cluster. In order to treat the number of clusters and the cluster assignments as unknowns, we build a random partition model which assigns a prior distribution over the space of partitions of the data into clusters. Sampling from the posterior over the space of partitions creates a flexible estimator because it averages across a wide set of cluster covariance matrices. We illustrate our methods on linear factor models and large vector autoregressions.