Covariance Matrix Estimation via Network Structure
利用网络结构估计协方差矩阵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：摘要直接利用给定网络关系及其对称邻接矩阵建模协方差，因此归入网络方向；是否涉及经济互动或干扰效应未说明。
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…
利用网络结构估计协方差矩阵
- 研究问题
- 已知网络关系时，如何利用网络结构估计高维协方差矩阵，并减少待估参数数量、保证估计矩阵的正定性？
- 方法与思路
- 作者把协方差矩阵设为对称邻接矩阵的多项式，将高维估计转化为少量系数的回归，并采用 OLS 或极大似然估计。
- 材料陈述的贡献
- 摘要称极大似然方法所得协方差矩阵在有限样本下保证正定，并给出估计量理论性质及用于选择多项式阶数的 BIC。
- 阅读关注点
- 核对网络是否须预先准确给定、多项式表示与正定约束的条件，以及系数估计和阶数选择在高维情形下的理论保证。
- 阅读边界
- 摘要未列明所谓温和条件，也未说明网络误设或估计误差如何影响结果；模拟和案例不足以判断其他设定下的表现。
原文摘要
In this article, we employ a regression formulation to estimate the high-dimensional covariance matrix for a given network structure. Using prior information contained in the network relationships, we model the covariance as a polynomial function of the symmetric adjacency matrix. Accordingly, the problem of estimating a high-dimensional covariance matrix is converted to one of estimating low dimensional coefficients of the polynomial regression function, which we can accomplish using ordinary least squares or maximum likelihood. The resulting covariance matrix estimator based on the maximum likelihood approach is guaranteed to be positive definite even in finite samples. Under mild conditions, we obtain the theoretical properties of the resulting estimators. A Bayesian information criterion is also developed to select the order of the polynomial function. Simulation studies and empirical examples illustrate the usefulness of the proposed methods.