Adaptive covariance matrix estimation through block thresholding
通过分块阈值化实现自适应协方差矩阵估计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：摘要研究通用高维协方差估计，未明确涉及金融风险、因子模型或其他所列细分方向。
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
通过分块阈值化实现自适应协方差矩阵估计
- 研究问题
- 估计大型协方差矩阵时，能否用同一个数据驱动程序，在一大类不同参数空间上同时达到各自的极小极大最优速率？
- 方法与思路
- 作者将样本协方差矩阵划分为经过设计的区块，对每个区块的元素整体进行阈值处理，构造完全数据驱动的估计量。
- 材料陈述的贡献
- 摘要称分块阈值估计在广泛的可带状逼近协方差矩阵类上具有最优速率自适应性，并以模拟展示数值表现。
- 阅读关注点
- 核对可带状逼近矩阵类的定义、分块与阈值规则、误差所用范数，以及自适应性覆盖的参数范围和模拟基准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出损失范数、分布条件或具体速率，不能视为对所有协方差结构最优。
原文摘要
Estimation of large covariance matrices has drawn considerable recent attention, and the theoretical focus so far has mainly been on developing a minimax theory over a fixed parameter space. In this paper, we consider adaptive covariance matrix estimation where the goal is to construct a single procedure which is minimax rate optimal simultaneously over each parameter space in a large collection. A fully data-driven block thresholding estimator is proposed. The estimator is constructed by carefully dividing the sample covariance matrix into blocks and then simultaneously estimating the entries in a block by thresholding. The estimator is shown to be optimally rate adaptive over a wide range of bandable covariance matrices. A simulation study is carried out and shows that the block thresholding estimator performs well numerically. Some of the technical tools developed in this paper can also be of independent interest.