Tyler shape depth
Tyler 形状深度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：摘要讨论通用多元形状深度、主成分分析和异常值检测，未提供所列经济金融领域的直接依据。
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
Tyler 形状深度
- 研究问题
- 如何利用观测相对分布中心的方向，为形状矩阵定义深度与排序，并据此开展估计、形状检验和异常值识别？
- 方法与思路
- 作者定义仅依赖观测方向的 Tyler 形状深度，以最深形状矩阵构造估计量，并研究深度函数及其区域的性质。
- 材料陈述的贡献
- 摘要称，论文建立多项几何与拓扑性质，证明椭圆情形下 Fisher 一致性，并给出经验深度及最深矩阵估计的一致性结果。
- 阅读关注点
- 应核对中心的处理方式、形状矩阵的归一化、最深矩阵的存在性条件，以及椭圆分布假设与样本一致性之间的关系。
- 阅读边界
- 仅据 Crossref 摘要；具体分布及正则条件未说明，椭圆情形下的 Fisher 一致性不能直接推广到任意分布或异常值机制。
原文摘要
Summary In many problems from multivariate analysis, the parameter of interest is a shape matrix: a normalized version of the corresponding scatter or dispersion matrix. In this article we propose a notion of depth for shape matrices that involves data points only through their directions from the centre of the distribution. We refer to this concept as Tyler shape depth since the resulting estimator of shape, namely the deepest shape matrix, is the median-based counterpart of the M-estimator of shape due to Tyler (1987). Besides estimation, shape depth, like its Tyler antecedent, also allows hypothesis testing on shape. Its main benefit, however, lies in the ranking of the shape matrices it provides, the practical relevance of which is illustrated by applications to principal component analysis and shape-based outlier detection. We study the invariance, quasi-concavity and continuity properties of Tyler shape depth, the topological and boundedness properties of the corresponding depth regions, and the existence of a deepest shape matrix, and we prove Fisher consistency in the elliptical case. Finally, we derive a Glivenko–Cantelli-type result and establish almost sure consistency of the deepest shape matrix estimator.