Operator norm consistent estimation of large-dimensional sparse covariance matrices
高维稀疏协方差矩阵的算子范数一致估计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：摘要聚焦一般高维协方差与谱估计，未明确涉及因子模型、资产定价或其他所列方向。
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
高维稀疏协方差矩阵的算子范数一致估计
- 研究问题
- 当样本量与变量维数同时很大、总体协方差矩阵具有稀疏性时，如何获得算子范数一致的估计及可靠的谱信息？
- 方法与思路
- 作者利用总体协方差矩阵中许多元素为零的结构构造估计量，并提出与谱分析相容、且不依赖变量排列的稀疏性概念。
- 材料陈述的贡献
- 摘要称，在维数与样本量同阶等情形下获得算子范数一致性，进而得到全部特征值及孤立特征值对应特征子空间的一致性。
- 阅读关注点
- 应核对稀疏性的精确定义、估计量的具体构造、维数增长与分布条件，以及特征子空间结论对特征值隔离程度的要求。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；摘要未提供估计公式、收敛速率或完整条件，不能将结论推广到任意高维协方差矩阵。
原文摘要
Estimating covariance matrices is a problem of fundamental importance in multivariate statistics. In practice it is increasingly frequent to work with data matrices X of dimension n×p, where p and n are both large. Results from random matrix theory show very clearly that in this setting, standard estimators like the sample covariance matrix perform in general very poorly. In this “large n, large p” setting, it is sometimes the case that practitioners are willing to assume that many elements of the population covariance matrix are equal to 0, and hence this matrix is sparse. We develop an estimator to handle this situation. The estimator is shown to be consistent in operator norm, when, for instance, we have p≈n as n→∞. In other words the largest singular value of the difference between the estimator and the population covariance matrix goes to zero. This implies consistency of all the eigenvalues and consistency of eigenspaces associated to isolated eigenvalues. We also propose a notion of sparsity for matrices, that is, “compatible” with spectral analysis and is independent of the ordering of the variables.