A Hierarchical Eigenmodel for Pooled Covariance Estimation
用于协方差联合估计的层次特征向量模型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：摘要研究一般多总体协方差与主轴汇集，未明确建立宏观或金融因子模型，也未说明面板数据结构。
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
用于协方差联合估计的层次特征向量模型
- 研究问题
- 当多个总体的协方差矩阵不同但主轴相似时，如何估计跨总体特征向量的异质性，并通过共享信息稳定小样本总体的协方差估计？
- 方法与思路
- 作者建立汇集各总体主轴的层次模型，用矩阵值、对跖对称的 Bingham 分布描述正交矩阵总体的中心与离散程度。
- 材料陈述的贡献
- 摘要称提出了跨总体主轴的层次模型和估计程序，使主轴相似性可被建模，并为向跨总体中心收缩主轴提供方法。
- 阅读关注点
- 应核对特征向量符号与排列的处理、中心及离散程度的定义，以及收缩强度如何估计、异质性较大时估计会如何变化。
- 阅读边界
- 仅据 Crossref 摘要；摘要未提供小样本改进幅度、模型误设表现或具体计算结果，不能据此保证联合估计始终更准确。
原文摘要
Summary Although the covariance matrices corresponding to different populations are unlikely to be exactly equal they can still exhibit a high degree of similarity. For example, some pairs of variables may be positively correlated across most groups, whereas the correlation between other pairs may be consistently negative. In such cases much of the similarity across covariance matrices can be described by similarities in their principal axes, which are the axes that are defined by the eigenvectors of the covariance matrices. Estimating the degree of across-population eigenvector heterogeneity can be helpful for a variety of estimation tasks. For example, eigenvector matrices can be pooled to form a central set of principal axes and, to the extent that the axes are similar, covariance estimates for populations having small sample sizes can be stabilized by shrinking their principal axes towards the across-population centre. To this end, the paper develops a hierarchical model and estimation procedure for pooling principal axes across several populations. The model for the across-group heterogeneity is based on a matrix-valued antipodally symmetric Bingham distribution that can flexibly describe notions of ‘centre’ and ‘spread’ for a population of orthogonal matrices.