Post-processed posteriors for sparse covariances
稀疏协方差矩阵的后处理后验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：摘要明确将方法用于近似因子模型的稀疏特异协方差估计，并以标普五百数据分析展示应用。
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
稀疏协方差矩阵的后处理后验
- 研究问题
- 在高维稀疏协方差矩阵推断中，能否先使用易于抽样的共轭后验，再通过后处理满足稀疏结构并保留理论误差保证？
- 方法与思路
- 作者先从不施加稀疏约束的逆 Wishart 共轭后验抽样，再用广义阈值函数变换样本，并扩展到污染数据及近似因子模型。
- 材料陈述的贡献
- 摘要称后处理后验在谱范数损失下达到最优极小极大速率，并通过模拟和标普五百数据分析展示该方法的表现。
- 阅读关注点
- 应核对阈值变换如何维持协方差矩阵的有效性、最优速率对应的参数空间，以及污染数据处理和特异协方差估计的条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要，稀疏度、污染机制与阈值选择未说明；速率结果本身不足以判断可信区间覆盖，也无法推断版本变化。
原文摘要
We consider Bayesian inference of sparse covariance matrices and propose a post-processed posterior. This method consists of two steps. In the first step, posterior samples are obtained from the conjugate inverse-Wishart posterior without considering the sparse structural assumption. The posterior samples are transformed in the second step to satisfy the sparse structural assumption through a generalized thresholding function. This non-traditional Bayesian procedure is justified by showing that the post-processed posterior attains the optimal minimax rates under the spectral norm loss in high-dimensional settings. We also propose the post-processed posterior for contaminated data and apply it to the estimation of the sparse idiosyncratic covariance of the approximate factor model. The advantages of our method are demonstrated via a simulation study and a real data analysis with S&P 500 data.