Maximum Likelihood Estimation for Linear Gaussian Covariance Models
线性高斯协方差模型的最大似然估计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：摘要讨论通用高斯协方差约束与优化，未明确涉及资产定价、因子或其他给定细分。
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…
线性高斯协方差模型的最大似然估计
- 研究问题
- 协方差矩阵受线性约束时，最大似然优化通常存在多个局部极大值；什么条件能使爬山方法达到全局极大值？
- 方法与思路
- 作者利用 Wishart 分布极端特征值的渐近结果，给出爬山方法全局收敛的充分条件，并采用样本量与维数同比增长的理论框架。
- 材料陈述的贡献
- 摘要称给出全局收敛的充分条件；模拟提示结果可适用于很小维数，并称样本量约为维数十四倍时优化表现类似凸问题。
- 阅读关注点
- 应核对充分条件的概率与初始化含义、同比渐近与小维数模拟的关系，以及约十四倍样本量结论的确切适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要，不能把约十四倍样本量视为普遍阈值，也不能据此认定目标函数本身为凸；具体条件与概率保证未说明。
原文摘要
Summary We study parameter estimation in linear Gaussian covariance models, which are p-dimensional Gaussian models with linear constraints on the covariance matrix. Maximum likelihood estimation for this class of models leads to a non-convex optimization problem which typically has many local maxima. Using recent results on the asymptotic distribution of extreme eigenvalues of the Wishart distribution, we provide sufficient conditions for any hill climbing method to converge to the global maximum. Although we are primarily interested in the case in which n ≫ p, the proofs of our results utilize large sample asymptotic theory under the scheme n/p → γ > 1. Remarkably, our numerical simulations indicate that our results remain valid for p as small as 2. An important consequence of this analysis is that, for sample sizes n≃14p, maximum likelihood estimation for linear Gaussian covariance models behaves as if it were a convex optimization problem.