Finding maximum likelihood estimates of patterned covariance matrices by the EM algorithm
利用 EM 算法求结构化协方差矩阵的极大似然估计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：摘要涉及一般多元正态协方差估计与 EM 算法，没有金融波动率或因子模型等直接依据。
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
利用 EM 算法求结构化协方差矩阵的极大似然估计
- 研究问题
- 对于多元正态数据中没有显式极大似然解的结构化协方差矩阵，能否通过扩充变量构造可计算的估计程序？
- 方法与思路
- 作者将目标协方差矩阵嵌入具有显式极大似然解的更大结构化矩阵，把新增变量视为缺失变量，再应用 EM 算法。
- 材料陈述的贡献
- 摘要提出一种通过潜在缺失变量扩充来计算原问题极大似然估计的思路，并提供两个例子，未列出具体矩阵结构。
- 阅读关注点
- 核对哪些协方差结构允许这种嵌入、扩充后如何保留原问题约束，以及 EM 更新、初始化和最终解的性质。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要只说明部分矩阵结构可用，未说明全局收敛、唯一性或计算复杂度。
原文摘要
Some patterned covariance matrices used to model multivariate normal data that do not have explicit maximum likelihood estimates can be viewed as submatrices of larger patterned covariance matrices that do have explicit maximum likelihood estimates. In such cases, the smaller covariance matrix can be viewed as the covariance matrix for observed variables and the larger covariance matrix can be viewed as the covariance matrix for both observed and missing variables. The advantage of this perspective is that the em algorithm can be used to calculate the desired maximum likelihood estimates for the original problem. Two examples are presented.