Tests for Large-Dimensional Shape Matrices via Tyler’s M Estimators
基于Tyler M估计量的大维形状矩阵检验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。
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：核心为通用形状矩阵检验，行业组合应用未明确研究资产定价、金融因子或波动率。
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
基于Tyler M估计量的大维形状矩阵检验
- 研究问题
- 当维度与样本量同比增长且总体不限于椭圆分布时，如何利用稳健的Tyler M估计量检验形状矩阵是否为单位阵或相等？
- 方法与思路
- 作者基于Tyler估计量的特征值构造检验，在维样比极限介于零和一的框架下建立谱理论并分析原假设和备择分布。
- 材料陈述的贡献
- 摘要称方法适用于包含椭圆分布的较广总体，模拟显示良好表现与稳健性，并通过49个行业组合展示形状变化分析。
- 阅读关注点
- 应核对允许的总体模型、形状矩阵归一化、维样比条件及检验校准，并区分组合形状变化与波动率水平变化。
- 阅读边界
- 仅据Europe PMC/PubMed索引摘要，稿件版本未注明，不推断刊本变化。允许的分布类别指向未提供的模型，稳健性范围需查全文。
原文摘要
Tyler's M estimator, as a robust alternative to the sample covariance matrix, has been widely applied in robust statistics. However, classical theory on Tyler's M estimator is mainly developed in the low-dimensional regime for elliptical populations. It remains largely unknown when the parameter of dimension p grows proportionally to the sample size n for general populations. By utilizing the eigenvalues of Tyler's M estimator, this article develops tests for the identity and equality of shape matrices in a large-dimensional framework where the dimension-to-sample size ratio p/n has a limit in (0,1). The proposed tests can be applied to a broad class of multivariate distributions including the family of elliptical distributions (see model (2.1) below for details). To analyze both the null and alternative distributions of the proposed tests, we provide a unified theory on the spectrum of a large-dimensional Tyler's M estimator when the underlying population is general. Simulation results demonstrate good performance and robustness of our tests. An empirical analysis of the Fama-French 49 industrial portfolios is carried out to demonstrate the shape of the portfolios varying.