Finding Maximum Likelihood Estimates of Patterned Covariance Matrices by the EM Algorithm
用 EM 算法求解结构化协方差矩阵的最大似然估计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：材料讨论一般多元正态协方差估计及计算方法，没有支持所列领域细分的直接文本依据。
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
用 EM 算法求解结构化协方差矩阵的最大似然估计
- 研究问题
- 对于多元正态数据中没有显式最大似然解的结构化协方差矩阵，能否通过扩充变量将原问题转化为可计算的缺失数据估计问题？
- 方法与思路
- 作者将原协方差矩阵嵌入具有显式最大似然解的更大结构化矩阵，把新增变量视为缺失变量，再用 EM 算法计算原问题的估计。
- 材料陈述的贡献
- 摘要提出一种利用协方差矩阵嵌入与缺失变量表示的计算思路，并给出两个例子；未陈述适用于所有矩阵结构的通用结论。
- 阅读关注点
- 应核对哪些矩阵结构允许这种扩充、完整数据似然为何具有显式解，以及 EM 更新、正定约束和最终解的收敛判断。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，两个例子的具体结构未提供；无法判断嵌入是否普遍存在或算法是否到达全局最大值。
原文摘要
Some patterned covariance matrices used to model multivariate normal data that do not have explicit maximum likelihood estimates can be viewed as submatrices of larger patterned covariance matrices that do have explicit maximum likelihood estimates. In such cases, the smaller covariance matrix can be viewed as the covariance matrix for observed variables and the larger covariance matrix can be viewed as the covariance matrix for both observed and missing variables. The advantage of this perspective is that the em algorithm can be used to calculate the desired maximum likelihood estimates for the original problem. Two examples are presented.