Proportionality of Covariance Matrices
协方差矩阵的比例关系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：摘要研究一般协方差比例模型及高阶似然推断，未明确涉及波动率、金融因子或宏观因子模型，因此不据矩阵术语分类。
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
协方差矩阵的比例关系
- 研究问题
- 在多组独立 Wishart 分布具有比例协方差结构时，如何估计共同矩阵与比例常数，并改善相关似然比检验的近似准确性？
- 方法与思路
- 作者研究似然方程的唯一解并给出迭代算法，利用变换模型的辅助统计量开展条件分布展开，再推导 Bartlett 修正。
- 材料陈述的贡献
- 摘要称获得估计量唯一性、条件分布展开及高阶偏差性质，并给出比例关系与全部比例常数为一两类检验的 Bartlett 修正。
- 阅读关注点
- 应核对独立 Wishart 模型及参数约束、迭代算法的收敛条件，以及辅助统计量条件化和 Bartlett 修正的推导与模拟范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；改善卡方近似的证据来自小规模模拟，不能推广到非 Wishart 数据或任意样本配置。
原文摘要
The present paper considers inference for the statistical model specifying proportionality between independent Wishart distributions. It is shown that the maximum likelihood estimate of the common covariance matrix and the constants of proportionality is the unique solution to the likelihood equation and an iterative procedure determining the estimator is given. The model is an exponential transformation model, which implies the existence of an exact ancillary (a maximal invariant), and an asymptotic expansion for the distribution of the estimator conditionally on the ancillary is given. In addition, it is shown that the estimator is unbiased to order $O(n^{-3/2})$. Finally, we derive the Bartlett adjustment to the likelihood ratio statistic for the hypothesis of proportionality and subsequently for the hypothesis specifying that all of the constants of proportionality are equal to one. A small simulation study shows that the Bartlett adjustment can be very effective in improving the accuracy of chi-squared approximations.