A projection-based conditional dependence measure with applications to high-dimensional undirected graphical models
基于投影的条件依赖度量及其在高维无向图模型中的应用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：摘要中的因子模型与依赖图属于通用统计框架，未明确宏观因子、金融因子或经济网络应用。
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
基于投影的条件依赖度量及其在高维无向图模型中的应用
- 研究问题
- 在因子可能高维的模型中，如何度量和检验条件依赖，并在不依赖高斯假设的情况下构建变量之间的依赖图？
- 方法与思路
- 作者在因子模型框架下提出基于投影的条件依赖度量，推导条件独立检验的渐近零分布，再利用该检验构建无向依赖图。
- 材料陈述的贡献
- 摘要称新检验可控制渐近第一类错误且计算高效，并提供非高斯依赖图构建方法与 R 包实现；作者报告模拟和真实数据中的优势。
- 阅读关注点
- 应核对投影度量与条件独立的对应关系、高维因子的增长条件，以及图构建涉及的多重检验处理和与其他方法比较的依据。
- 阅读边界
- 仅据所给出版社摘要，因子假设、维度条件和比较数值未说明；单个检验的渐近错误控制不直接等同于整张图的错误率控制。
原文摘要
Measuring conditional dependence is an important topic in econometrics with broad applications including graphical models. Under a factor model setting, a new conditional dependence measure based on projection is proposed. The corresponding conditional independence test is developed with the asymptotic null distribution unveiled where the number of factors could be high-dimensional. It is also shown that the new test has control over the asymptotic type I error and can be calculated efficiently. A generic method for building dependency graphs without Gaussian assumption using the new test is elaborated. We show the superiority of the new method, implemented in the R package pgraph, through simulation and real data studies.