Estimation of functionals of sparse covariance matrices
稀疏协方差矩阵泛函的估计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：摘要虽提到金融计量数据，但未说明资产定价、波动率、尾部风险等具体对象，主体为一般矩阵泛函估计。
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…
稀疏协方差矩阵泛函的估计
- 研究问题
- 当高维检验的原假设分布依赖相关矩阵的范数等泛函时，如何估计这些对象，并刻画稀疏性对最优估计难度的影响？
- 方法与思路
- 作者将阈值化相关矩阵估计代入目标泛函，研究其稀疏自适应性与极小极大收敛率，并使用模拟及金融计量数据作说明。
- 材料陈述的贡献
- 摘要称，简单代入估计在一大类相关矩阵上具有稀疏自适应性和极小极大最优性，且最优速率呈现分段变化的肘部现象。
- 阅读关注点
- 应核对泛函与稀疏矩阵类的定义、阈值选择和肘部变化位置，以及泛函估计误差如何传递到检验临界值与实际尺寸。
- 阅读边界
- 以下限制对应原请求所用摘要版本：所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出具体速率、金融数据内容或数值结果，不能判断检验校准的实际改善。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
High-dimensional statistical tests often ignore correlations to gain simplicity and stability leading to null distributions that depend on functionals of correlation matrices such as their Frobenius norm and other $\ell_{r}$ norms. Motivated by the computation of critical values of such tests, we investigate the difficulty of estimation the functionals of sparse correlation matrices. Specifically, we show that simple plug-in procedures based on thresholded estimators of correlation matrices are sparsity-adaptive and minimax optimal over a large class of correlation matrices. Akin to previous results on functional estimation, the minimax rates exhibit an elbow phenomenon. Our results are further illustrated in simulated data as well as an empirical study of data arising in financial econometrics.