Parsimonious Covariance Matrix Estimation for Longitudinal Data
纵向数据的简约协方差矩阵估计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：摘要直接处理纵向重复观测数据的协方差结构，与面板数据中的组内相关建模直接相关。
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
纵向数据的简约协方差矩阵估计
- 研究问题
- 当纵向数据的协方差维数相对样本量较大时，如何从数据识别简约结构，并利用这一结构提高协方差矩阵估计效率？
- 方法与思路
- 作者用逆协方差矩阵的 Cholesky 分解参数化，借助层级贝叶斯模型识别因子的零元素，并通过 MCMC 估计模型。
- 材料陈述的贡献
- 摘要称，方法适用于高维协方差矩阵，模拟中的统计效率优于所比较方法，并在生物测量、电力需求及金融横截面三个实例中应用。
- 阅读关注点
- 应核对一步预测表示、零元素选择机制、先验及 MCMC 计算表现，以及模拟基准和纵向、横截面应用之间的适用差别。
- 阅读边界
- 仅据版本未注明的索引摘要，无法确认效率增益的条件与幅度；金融实例仅说明横截面协方差应用，未建立资产定价或风险结论。
原文摘要
This article proposes a data-driven method to identify parsimony in the covariance matrix of longitudinal data and to exploit any such parsimony to produce a statistically efficient estimator of the covariance matrix. The approach parameterizes the covariance matrix through the Cholesky decomposition of its inverse. For longitudinal data, this is a one-step-ahead predictive representation, and the Cholesky factor is likely to have off-diagonal elements that are zero or close to zero. A hierarchical Bayesian model is used to identify any such zeros in the Cholesky factor, similar to approaches that have been successful in Bayesian variable selection. The model is estimated using a Markov chain Monte Carlo sampling scheme that is computationally efficient and can be applied to covariance matrices of high dimension. It is demonstrated through simulations that the proposed method compares favorably in terms of statistical efficiency with a highly regarded competing approach. The estimator is applied to three real examples in which the dimension of the covariance matrix is large relative to the sample size. The first two examples are from biometry and electricity demand modeling and are longitudinal. The third example is from finance and highlights the potential of our method for estimating cross-sectional covariance matrices.