Estimating Covariance Matrices
协方差矩阵估计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：摘要研究一般 Wishart 模型的协方差估计，没有金融风险、因子或波动率应用依据。
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
协方差矩阵估计
- 研究问题
- 当获得两个独立 Wishart 矩阵时，如何在给定损失下联合估计对应协方差矩阵，并比较候选估计量的风险？
- 方法与思路
- 作者利用不变性原理缩小到等变估计量类，计算其无偏风险估计，据此构造候选估计量并进行蒙特卡洛评估。
- 材料陈述的贡献
- 摘要称，论文将所述协方差矩阵估计研究从单样本扩展至双样本问题，并给出候选估计量及其模拟风险评价。
- 阅读关注点
- 应核对损失函数、不变变换与等变类的定义、无偏风险估计所需条件，以及候选估计量的具体形式和比较范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；矩阵参数符号需核对原文，摘要未给具体估计式或风险支配结论。
原文摘要
Let $S_1$ and $S_2$ be two independent $p \times p$ Wishart matrices with $S_1 \sim W_p(\sum_1, n_1)$ and $S_2 \sim W_p(\sum_2, n_2)$. We wish to estimate $(\sum_1, \sum_2)$ under the loss function $L(\hat{\sum}_1, \hat{\sum}_2; \sum_1, \sum_2) = \sum_i\{\operatorname{tr}(\sum^{-1}_i \hat{\sum}_i) - \log|\sum^{-1}_i\hat{\sum}_i| - p\}$. Our approach is to first utilize the principle of invariance to narrow the class of estimators under consideration to the equivariant ones. The unbiased estimates of risk of these estimators are then computed and promising estimators are derived from them. A Monte Carlo study is also conducted to evaluate the risk performances of these estimators. The results of this paper extend those of Stein, Haff, Dey and Srinivasan from the one sample problem to the two sample one.