Covariance matrix selection and estimation via penalised normal likelihood
通过惩罚正态似然选择与估计协方差矩阵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：材料研究通用协方差矩阵的惩罚估计，未明确涉及金融因子、资产定价或网络模型。
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…
通过惩罚正态似然选择与估计协方差矩阵
- 研究问题
- 如何将大型协方差矩阵的简约建模转化为更易处理的回归选择问题，并通过收缩提高估计稳定性与模型可解释性？
- 方法与思路
- 作者通过逆协方差矩阵的修正 Cholesky 分解建立序列回归表示，在正态似然中加入 L1 或 L2 惩罚，并开发计算与调参算法。
- 材料陈述的贡献
- 摘要称，惩罚可稳定 Cholesky 因子的估计，L1 惩罚还能产生零系数；方法以模拟及一个 102×102 协方差矩阵实例展示。
- 阅读关注点
- 应核对变量排序如何影响序列回归与稀疏结构、调参规则和计算算法，以及所谓统计效率与稳定性各采用何种评价标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明效率条件、数据背景和比较结果，不能将零回归系数直接解释为因果或网络关系。
原文摘要
We propose a nonparametric method for identifying parsimony and for producing a statistically efficient estimator of a large covariance matrix. We reparameterise a covariance matrix through the modified Cholesky decomposition of its inverse or the one-step-ahead predictive representation of the vector of responses and reduce the nonintuitive task of modelling covariance matrices to the familiar task of model selection and estimation for a sequence of regression models. The Cholesky factor containing these regression coefficients is likely to have many off-diagonal elements that are zero or close to zero. Penalised normal likelihoods in this situation with L1 and L2 penalities are shown to be closely related to Tibshirani's (1996) LASSO approach and to ridge regression. Adding either penalty to the likelihood helps to produce more stable estimators by introducing shrinkage to the elements in the Cholesky factor, while, because of its singularity, the L1 penalty will set some elements to zero and produce interpretable models. An algorithm is developed for computing the estimator and selecting the tuning parameter. The proposed maximum penalised likelihood estimator is illustrated using simulation and a real dataset involving estimation of a 102 × 102 covariance matrix.