Identifiability and Consistent Estimation for Gaussian Chain Graph Models
高斯链图模型的可识别性与一致估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确将有向边解释为因果关系，并研究其与无向依赖的可识别性；仅凭指数数据应用不足以归入资产定价等金融方向。
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
高斯链图模型的可识别性与一致估计
- 研究问题
- 对于同时包含无向条件依赖和有向因果关系的高斯链图，何种条件能够区分两类边，并支持准确恢复整体图结构？
- 方法与思路
- 作者利用精度矩阵的低秩加稀疏分解建立可识别性条件，据此构建图结构学习算法，并开展渐近理论、模拟及标普五百指数数据应用。
- 材料陈述的贡献
- 摘要称，研究提出新的可识别性条件与高效算法，并证明准确恢复链图结构的渐近一致性；模拟和真实数据实验被用于支持方法表现。
- 阅读关注点
- 应核对链图的具体定义、低秩与稀疏部分的分离条件、边方向的识别依据，以及结构恢复一致性所需的维度和信号强度限制。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明识别条件和收敛要求，金融数据应用也不足以证明所恢复方向具有因果意义。
原文摘要
The chain graph model admits both undirected and directed edges in one graph, where symmetric conditional dependencies are encoded via undirected edges and asymmetric causal relations are encoded via directed edges. Though frequently encountered in practice, the chain graph model has been largely under investigated in literature, possibly due to the lack of identifiability conditions between undirected and directed edges. In this paper, we first establish a set of novel identifiability conditions for the Gaussian chain graph model, exploiting a low rank plus sparse decomposition of the precision matrix. Further, an efficient learning algorithm is built upon the identifiability conditions to fully recover the chain graph structure. Theoretical analysis on the proposed method is conducted, assuring its asymptotic consistency in recovering the exact chain graph structure. The advantage of the proposed method is also supported by numerical experiments on both simulated examples and a real application on the Standard & Poor 500 index data.