Restricted nonlinear shrinkage of high-dimensional residual covariance matrices in multivariate regressions
多元回归中高维残差协方差矩阵的受限非线性收缩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：摘要聚焦高维多元回归残差协方差矩阵的估计与收缩理论，未涉及因果推断、面板、离散选择、时间序列、资产定价等用户提供的领域细分，故不选择任何细分方向。
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
多元回归中高维残差协方差矩阵的受限非线性收缩
- 研究问题
- 研究在高维多元线性回归中，当系数矩阵满足已知的秩为 q<d 的线性约束时，如何估计 p×p 的残差散布（形状）矩阵，并在重尾椭圆分布误差下实现最优估计。
- 方法与思路
- 作者提出对受限残差的尺度不变散布矩阵进行非线性收缩，而非直接收缩受限残差样本协方差；该散布的极限谱在椭圆族内分布无关，与高斯误差下相同但有效纵横比更小，并进一步用 Stein 型组合与无约束估计量结合，且校正约束由数据选择的情形。
- 材料陈述的贡献
- 摘要称所得估计量达到旋转等变 oracle 并在该类中渐近最优，Stein 型组合在误设定下仍安全且优于受限估计量；模拟、增长曲线实验与两组真实数据分析用于说明结果。
- 阅读关注点
- 应核对线性约束的具体形式与秩条件、尺度条件与二阶矩假设的验证、尺度不变散布的构造与分布无关性证明、oracle 与渐近最优的定义及证明范围、Stein 型组合的支配性与安全性条件，以及数据选择约束的校正机制。
- 阅读边界
- 仅凭摘要无法判断证明细节、模拟设定与真实数据来源，也无法确认估计量在有限样本下的表现；摘要未说明具体收缩函数形式、正则条件与渐近展开的完整假设。
原文摘要
We study estimation of the p*p residual scatter (shape) matrix in a high-dimensional multivariate linear regression, where p and n grow proportionally. When the coefficient matrix obeys a known linear restriction of rank q < d, as in multivariate analysis of variance, growth-curve models, and reduced-rank regression, the restricted fit leaves additional residual degrees of freedom that sharpen estimation of the shape matrix. To accommodate heavy-tailed errors, we work with independent elliptically distributed rows under a mild scale condition, a finite second moment on the radii, which is far weaker than the usual sub-Gaussian assumptions and covers every multivariate-t law with more than two degrees of freedom. Shrinking the restricted residual sample covariance directly is unsound here, since its limiting spectrum depends on the radial distribution. We instead shrink a scale-invariant scatter of the restricted residuals, whose spectrum is distribution-free over the elliptical family and obeys the same limiting law as under Gaussian errors, at a smaller effective aspect ratio. The resulting estimator attains the rotation-equivariant oracle and is asymptotically optimal within that class, and a Stein-type combination with the unrestricted estimator dominates it while remaining safe under misspecification. We further correct for the case in which the restriction is itself selected from the data. Simulations, a growth-curve experiment, and two real-data analyses illustrate the results.