Least Squares Estimation of Covariance Matrices in Balanced Multivariate Variance Components Models
平衡多元方差分量模型中协方差矩阵的最小二乘估计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：摘要研究一般多元方差分量模型，未明确涉及面板结构或金融协方差应用。
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
平衡多元方差分量模型中协方差矩阵的最小二乘估计
- 研究问题
- 平衡多元方差分量模型的传统协方差估计可能不是非负定矩阵，如何在估计时保证结果落在允许的参数空间内？
- 方法与思路
- 作者提出满足最小二乘准则的迭代估计程序，保证协方差矩阵估计非负定，并讨论收敛速度及一个示例。
- 材料陈述的贡献
- 摘要称，该程序解决了传统均方矩阵差估计可能产生非法协方差矩阵的问题，并展示约束后估计结果如何变化。
- 阅读关注点
- 应核对最小二乘目标与约束、非负定保证的实现方式、迭代收敛结论，以及示例中各方差分量的调整情况。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明收敛条件、估计风险或非平衡设计适用性，合法矩阵不等于统计性能更优。
原文摘要
The problem of estimating covariance matrices in balanced multivariate variance components models is discussed. As with univariate models, it is possible for the traditional estimators, based on differences of the mean square matrices, to produce estimates that are outside the parameter space. In fact, in many cases it is extremely likely that traditional estimates of the covariance matrices will not be nonnegative definite (nnd). In this article we develop an iterative estimation procedure, satisfying a least squares criterion, that is guaranteed to produce nnd estimates of the covariance matrices, discuss the speed of convergence, and provide an example to show how the estimates change.