Empirical Bayes Estimation of the Multivariate Normal Covariance Matrix
多元正态协方差矩阵的经验贝叶斯估计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：摘要研究一般协方差矩阵决策理论，未明确涉及所列经济或金融细分方向。
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
多元正态协方差矩阵的经验贝叶斯估计
- 研究问题
- 在观测矩阵服从 Wishart 分布时，如何在两类指定损失下估计协方差矩阵，并改善标量倍数估计量的风险？
- 方法与思路
- 作者针对摘要列出的两类矩阵损失构造经验贝叶斯估计量，并将其风险与指定范围内的样本矩阵标量倍数比较。
- 材料陈述的贡献
- 摘要称所提估计量在两类损失下均优于相应基准，并给出第二类损失下一致风险降幅的下界。
- 阅读关注点
- 应核对经验贝叶斯估计量的具体形式、维数与自由度限制，以及风险支配和一致降幅下界成立的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能确认完整适用条件或刊本变化；风险改善限于所述损失与基准。
原文摘要
Let $\mathbf{S}_{p \times p}$ have a Wishart distribution with scale matrix $\Sigma$ and $k$ degrees of freedom. Estimators of $\Sigma$ are given for each of the loss functions $L_1(\hat{\Sigma}, \Sigma) = \operatorname{tr} (\hat{\Sigma}\Sigma^{-1}) - \log \det (\hat{\Sigma}\Sigma^{-1}) - p$ and $L_2(\hat{\Sigma}, \Sigma) = \operatorname{tr} (\hat{\Sigma}\Sigma^{-1} - I)^2$. The obvious estimators of $\Sigma$ are the scalar multiples of $\mathbf{S}$, i.e., $a\mathbf{S}$ where $0 < a \leqslant 1/k$. (Recall that $(1/k)\mathbf{S}$ is unbiased.) For each problem $(\Sigma, \hat{\Sigma}, L_i), i = 1, 2$, we provide empirical Bayes estimators which dominate $a\mathbf{S}$ by a substantial amount. It is seen that the uniform reduction in the risk function determined by $L_2$ is at least $100(p + 1)/(k + p + 1){\tt\%}$. Dominance results for $L_1$ and $L_2$ were first given by James and Stein.