Large covariance estimation through elliptical factor models
通过椭圆因子模型估计大型协方差矩阵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：摘要以近似因子模型和因子分解后的协方差估计为核心，直接对应因子模型方向，但未说明宏观应用。
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
通过椭圆因子模型估计大型协方差矩阵
- 研究问题
- 如何在近似因子模型下估计大型协方差矩阵，并利用因子条件下的稀疏结构，使估计框架适用于重尾椭圆分布数据？
- 方法与思路
- 作者提出一般 POET 框架及高层充分条件，并用边际与空间 Kendall 相关构造稳健估计量，同时研究条件图模型。
- 材料陈述的贡献
- 摘要称，该框架在不同矩阵范数下达到最优收敛速度，统一解释已有次高斯结果，并将条件稀疏协方差估计拓展到重尾数据。
- 阅读关注点
- 应核对高层条件如何由 Kendall 估计满足、因子与稀疏部分的估计误差如何传递，以及不同范数下最优速度的比较基准。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；椭圆分布限制、因子条件及具体数值结果未说明，不能把重尾结论外推到所有非高斯数据。
原文摘要
We propose a general Principal Orthogonal complEment Thresholding (POET) framework for large-scale covariance matrix estimation based on the approximate factor model. A set of high level sufficient conditions for the procedure to achieve optimal rates of convergence under different matrix norms is established to better understand how POET works. Such a framework allows us to recover existing results for sub-Gaussian data in a more transparent way that only depends on the concentration properties of the sample covariance matrix. As a new theoretical contribution, for the first time, such a framework allows us to exploit conditional sparsity covariance structure for the heavy-tailed data. In particular, for the elliptical distribution, we propose a robust estimator based on the marginal and spatial Kendall's tau to satisfy these conditions. In addition, we study conditional graphical model under the same framework. The technical tools developed in this paper are of general interest to high dimensional principal component analysis. Thorough numerical results are also provided to back up the developed theory.