Testing Elliptical Models in High Dimensions
高维椭圆分布模型的检验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：椭圆分布检验是通用高维统计问题，摘要没有资产收益、风险或其他指定领域的直接文本依据。
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
高维椭圆分布模型的检验
- 研究问题
- 当数据维度与样本量成比例增长时，如何检验总体分布是否属于椭圆模型，并在高维协方差结构未知的情况下获得渐近有效的检验？
- 方法与思路
- 作者提出高维椭圆模型的拟合优度检验，分析维度与样本量共同增长时的有效性，并研究将该检验专用于高维正态性检验的表现。
- 材料陈述的贡献
- 摘要称，渐近有效性无需对总体协方差矩阵施加假设，数值实验中检验水平接近名义水平且能识别非椭圆分布，正态性检验比较亦有利。
- 阅读关注点
- 应核对无需协方差假设的准确范围、其他分布与渐近条件，以及备择分布的检出能力，并查看正态性检验比较使用的具体设置。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明。摘要未列出完整正则条件和功效结果；无需协方差假设不代表检验完全不需要其他条件。
原文摘要
Due to the broad applications of elliptical models, there is a long line of research on goodness-of-fit tests for empirically validating them. However, the existing literature on this topic is generally confined to low-dimensional settings, and to the best of our knowledge, there are no established goodness-of-fit tests for elliptical models that are supported by theoretical guarantees in high dimensions. In this paper, we propose a new goodness-of-fit test for this problem, and our main result shows that the test is asymptotically valid when the dimension and sample size diverge proportionally. Remarkably, it also turns out that the asymptotic validity of the test requires no assumptions on the population covariance matrix. With regard to numerical performance, we confirm that the empirical level of the test is close to the nominal level across a range of conditions, and that the test is able to reliably detect non-elliptical distributions. Moreover, when the proposed test is specialized to the problem of testing normality in high dimensions, we show that it compares favorably with a state-of-the-art method, and hence, this way of using the proposed test is of independent interest.