A New Method for Generating Random Correlation Matrices
生成随机相关矩阵的一种新方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要仅提供随机相关矩阵生成与参数化的通用方法，没有明确涉及因果、时间序列或金融等所列细分问题，分类证据不足。
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…
生成随机相关矩阵的一种新方法
- 研究问题
- 如何生成随机相关矩阵，同时便于控制分布的位置与离散程度，并生成条件良好、具有分块结构或元素严格为正的矩阵？
- 方法与思路
- 作者通过向量参数化 γ=g(C)，将维度为 n(n−1)/2 的实空间上的分布映射到非奇异相关矩阵空间上的分布。
- 材料陈述的贡献
- 摘要称，该方法便于调节位置与离散程度，也便于生成具有指定性质的相关矩阵，并与现有生成方法进行了比较。
- 阅读关注点
- 应核对参数映射及其逆变换、位置与离散程度的具体含义，以及矩阵结构约束的实现、数值稳定性和方法比较标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出映射细节和比较结果，不能据此判断具体分布性质或计算优势。
原文摘要
We propose a new method for generating random correlation matrices that makes it simple to control both location and dispersion. The method is based on a vector parameterization, gamma = g(C), which maps any distribution on R^d, d = n(n-1)/2 to a distribution on the space of non-singular nxn correlation matrices. Correlation matrices with certain properties, such as being well-conditioned, having block structures, and having strictly positive elements, are simple to generate. We compare the new method with existing methods.