The Generalized Fisher Transformation: Finite-Sample Properties and Inference
广义 Fisher 变换：有限样本性质与推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用相关矩阵变换及有限样本推断，未明确涉及所列领域的专属模型或应用。
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
广义 Fisher 变换：有限样本性质与推断
- 研究问题
- 将相关矩阵映射为矩阵对数的下三角坐标后，其有限样本分布、坐标间相关性和协方差稳定性如何影响统计推断？
- 方法与思路
- 作者研究广义 Fisher 变换 γ(C)=vecl(log C)，考察椭圆分布数据下坐标的近似高斯性、近似正交性与协方差不变性。
- 材料陈述的贡献
- 摘要称变换坐标近似高斯且弱相关，协方差对原相关矩阵较不敏感，因而相关推断具有更接近枢轴量的有限样本误差。
- 阅读关注点
- 应核对近似性质的衡量标准、样本量与维数范围，以及不同椭圆分布和接近奇异的相关矩阵下推断表现是否稳定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明近似误差界或比较设计，不能视为精确正态性或普遍优越性。
原文摘要
We study the finite-sample behavior of the Generalized Fisher Transformation (GFT), the parametrization of a correlation matrix $C$ by $γ(C)=\operatorname{vecl}\log C$. The GFT coordinates extend Fisher's transformation to dimension $n>2$: for elliptical data their finite-sample distributions are close to Gaussian. More strikingly, the coordinates are nearly uncorrelated and their covariance is largely invariant to $C$. This approximate orthogonality and invariance make GFT-based inference far better behaved in finite samples than inference based on sample correlations or element-wise Fisher transformed correlations, yielding estimation errors that are approximately Gaussian, weakly dependent, and nearly pivotal.